Ainda não tem acesso? Estude com a gente! Matricule-se
Ainda não tem acesso? Estude com a gente! Matricule-se

Obtenção do modelo final

Não entendi esta explicação, como ficaria o modelo final com o código treinando com todos os dados? Ficaria desta maneira abaixo?

np.random.seed(SEED)
cv = GroupKFold(n_splits = 10)
modelo = SVC()
pipeline = Pipeline([('transformacao', scaler), ('estimador', modelo)])
results = cross_validate(pipeline, x_azar_escalado, y_azar, cv = cv, groups = dados.modelo)
imprime_resultados(results)

modelo.fit(x_azar_escalado, y_azar)
previsoes = modelo.predict(teste_x_escalado)

acuracia = accuracy_score(teste_y, previsoes) * 100
print("A acurácia do SVC com as escalas Reescaladas foi de %.2f%%" % acuracia)
1 resposta

Olá Ricardo.

Na verdade, como foi explicado nesses tópicos (tópico1 e tópico2), A ideia na atividade, é de explicar a última etapa:Treinando o modelo final.

Então seu exemplo ficaria assim:


np.random.seed(SEED)
modelo = SVC()
modelo.fit(x,  y)

E como resultado terá o modelo que você vai usar no projeto. No nosso exemplo será esse modelo que você vai usar para prever, se serão vendidos ou não os novos veículos que aparecerem na loja.

Espero ter esclarecido, mas qualquer duvida que tiver não hesite em perguntar.

Bons Estudos =D .

Quer mergulhar em tecnologia e aprendizagem?

Receba a newsletter que o nosso CEO escreve pessoalmente, com insights do mercado de trabalho, ciência e desenvolvimento de software