Olá, tudo bem?
Eu acabei de vir do primeiro curso da formação de Machine Learning, e confesso que me decepcionei um pouquinho ao ver que esse segundo curso começa com o mesmíssimo exercício do anterior, como se não fossem sequência. No entanto, há uma diferença entre esse exercício de classificação entre porcos e cachorros e o exercício do curso anterior: lá, nós usamos o modelo LinearSVC, e aqui usamos o MultinomialNB. Não ficou claro o porquê dessas escolhas. Qual a diferença?
Obrigado
hoje, com a Alura e o Google Gemini
Olá, Pedro! Tudo bem com você?
Primeiramente gostaria de agradecer ao feedback, irei repassá-lo ao setor responsável. Com certeza nos ajudará a melhorar o conteúdo.
A escolha do algoritmo de classificação realizada em aula foi arbitrária. Tanto o LinearSVC quanto o MultinomialNB são utilizados para classificação de amostras, o que muda em cada um deles é a forma como o algoritmo é implementado, pois cada um utiliza técnicas diferentes, logo seus resultados podem ser diferentes também, então testar e selecionar o melhor modelo também faz parte do processo desenvolvimento do projeto de machine learning.
O scikit-learn nos fornece um roadmap muito bom que ajuda a decidir qual o melhor modelo para cada tipo problema.
Caso você tenha interesse em entender um pouco mais de como os algoritmos funcionam por "trás dos panos", vou deixar alguns links que podem ajudar:
Os materiais enviados estão em inglês, então caso não possua familiaridade com o idioma sugiro a instalação de uma extensão, como essa, que realiza a tradução.
Espero ter ajudado, mas se ainda persistir alguma dúvida estou sempre à disposição.