Olá,
A minha dúvida ao final do curso é, como eu posso avaliar se o meu modelo é válido para ser implementado? Pois no exercício que realizamos tanto a acurácia quanto o Hamming loss não foram tão bons e ao verificar o real e todos as tags previstas pelos diversos algorítimos, tivemos divergências. Seria necessário ter uma base de dados maior, para que o modelo tivesse mais dados para treinar? Obrigado.
hoje, com a Alura e o Google Gemini
Olá Bruno,
Na realidade a resposta é depende.
Primeiro depende do seu critério de sucesso, qual é o meu mínimo aceitável, isso quem vai decidir será vc e seu time.
Tbm é preciso fazer ume reflexão se seu modelo pode ser útil em uma classe específica, as vezes ele vai mal (principamente as classes com menor volume de dados), mas em algumas classes vai super bem! Vc pode pensar em uma aplicação por nichos.
Para melhoras esse modelo, sem dúvidas mais dados são importantes, fazer um tunning de parâmetros mais elaborado tbm e até tentar outros modelos.
Veja que a área de machine leanring está muito ligado a esse fator de experimentar e testar diversas abordagen para encontrar os melhores resultados ou no mínimo satisfatórios!
Abraços e bons estudos!
Entendi. Uma pergunta, tem cursos de tunning de parâmetros aqui na Alura? Eu sinto que machine learning é uma área que eu gostei bastante e quero me aprofundar mais. Estou no seu curso de "Machine learning: Lidando com dados de muitas dimensões".
Obrigado pela ajuda.