Olá Vitor tudo bem com você??
Pois é a minha também! Essa acurácia é o resultado do algoritmo com relação ao treino naquela base de dados. Então é justificado o por que o nosso resultado(a minha ficou igual a sua) foi diferente do apresentado em aula. O algoritmo vai aprendendo literalmente e como a base desse teste é bem pequena, faz sentido.
Em bases maiores é praticamente impossível ter acurácia de 100% e aliás nem é esperado mesmo. Com resultados acima de 90% no primeiro teste a possibilidade de ter algo errado é bem grande.
Segue o meu note.
# Features (1 sim, 0 não)
#pelo longo?
#perna curta?
#faz auau?
porco1 = [0, 1, 0]
porco2 = [0, 1, 1]
porco3 = [1, 1, 0]
cachorro1 = [0, 1, 0]
cachorro2 = [1, 0, 1]
cachorro3 = [1, 1, 1]
# 1 => porco, 0 => cachorro
treino_x = [porco1, porco2, porco3, cachorro1, cachorro2, cachorro3]
treino_y = [1, 1, 1, 0, 0, 0]
from sklearn.svm import LinearSVC
model = LinearSVC()
model.fit(treino_x, treino_y)
LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,
intercept_scaling=1, loss='squared_hinge', max_iter=1000,
multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,
verbose=0)
animal_misterioso = [1, 1, 1]
model.predict([animal_misterioso])
array([0])
misterio1 = [1, 1, 1]
misterio2 = [1, 1, 0]
misterio3 = [0, 1, 1]
teste_x = [misterio1, misterio2, misterio3]
teste_y = [0, 1, 1]
previsoes = model.predict(teste_x)
previsoes == teste_y
array([ True, True, True])
corretos = (previsoes == teste_y).sum()
total = len(teste_x)
taxa_de_acerto = corretos/total
print("Taxa de acerto: ", taxa_de_acerto * 100)
Taxa de acerto: 100.0
from sklearn.metrics import accuracy_score
taxa_de_acerto = accuracy_score(teste_y, previsoes)
print("Taxa de acerto", taxa_de_acerto * 100)
Taxa de acerto 100.0
Se a minha resposta te ajudou, fico muito feliz =D e peço que por favor encerre o Post marcando a dúvida como resolvida!
Caso precise de ajuda é só voltar aqui e perguntar.
Obrigado
Victor Gonzalez
