Fiquei um pouco frustrado com essa aula. Temos um classificador que diante de um conjunto de dados aparentemente bem comportado (usando uma função similar a uma exponencial) tem o classificador melhor como 66%? Pensei em usar algo como rede neural para tentar "adivinhar" o expoente dessa função exponencial. Porém, me veio uma dúvida mais simples, será que não tem alguma outra forma de usar o classificador sklearn para conseguir uma acurácia melhor?
hoje, com a Alura e o Google Gemini
Oi Josefran, tudo bem?
Neste caso uma alternativa seria explorar melhor os hiperparâmetros no SVC para tentar obter um resultado melhor.
Por exemplo, no SVC, você pode ajustar o parâmetro C e o kernel. Você pode experimentar diferentes valores de C para encontrar o equilíbrio ideal entre a flexibilidade da fronteira de decisão e a capacidade de generalização do modelo. Já o Kernel, podemos testar diferentes kernels, como 'rbf', 'poly' e 'sigmoid'. Deixo a documentação aqui.
Mas reforço que nem sempre o SVC, vai ser o melhor modelo para a nossa base de dados. O ideal é sempre experimentar outros modelos como RandomForestClassifier, GradientBoostingClassifier, entre outros. Muitas vezes, um modelo diferente pode se adequar melhor aos seus dados.
Josefran, temos a formação Machine Learning com Python: Classificação, super recomendo explorá-la e assim enriquecer seus conhecimentos.
Espero ter ajudado.
Qualquer dúvida, não hesite em compartilhar no fórum.
Abraços e bons estudos!