Olá. Eu ainda tenho duas duvidas sobre alguns conceitos. Eu ainda não entendi o motivo de reescalar os dados, como é apresentado no curso e quais as situações em que o algoritmo LinearSVC ou SVC serão utlilizados e as suas respectivas estratégias seão utlizadas.
Olá, Marcos!!
Tudo bem?
Primeiramente, sobre a reescala dos dados: ela é frequentemente realizada para garantir que todas as features tenham a mesma escala ou unidade. Isso é importante porque muitos algoritmos de machine learning, incluindo o LinearSVC e o SVC (Support Vector Classifier), podem ser sensíveis às diferenças nas escalas das características. Reescalando os dados, você garante que cada característica contribua de forma equilibrada para o modelo, evitando que uma característica com uma grande escala domine as outras.
Quanto à escolha entre o LinearSVC e o SVC, isso depende do problema em questão. O LinearSVC é adequado para problemas de classificação linear, onde você está tentando separar as classes com uma linha reta ou um hiperplano. É eficiente em grandes conjuntos de dados e uma ótima escolha quando você suspeita que as classes são linearmente separáveis.
Por outro lado, o SVC é mais flexível, pois permite a criação de fronteiras de decisão não lineares, usando um kernel para mapear os dados para um espaço de maior dimensão. Se suas classes não são linearmente separáveis, o SVC pode ser a escolha certa, mas tenha em mente que ele pode ser mais computacionalmente intensivo e exigir ajustes de hiperparâmetros, como a escolha do kernel e da largura da margem.
Espero que isso tenha esclarecido suas dúvidas! Se você tiver mais perguntas ou precisar de mais informações, não hesite em perguntar. Estamos aqui para ajudar :)
Bons estudos!