Quando falamos em Machine Learning, faz sentido afirmar que as predições estão basicamente direcionadas a uma retrospectiva linear das informações (que em tese, gera um coeficiente), e executada com um DF de predição vindo de uma biblioteca?
Solucionado
Quando falamos em Machine Learning, faz sentido afirmar que as predições estão basicamente direcionadas a uma retrospectiva linear das informações (que em tese, gera um coeficiente), e executada com um DF de predição vindo de uma biblioteca?
hoje, com a Alura e o Google Gemini
Olá, Fabiano! Tudo bem com você?
Peço desculpa pela demora em responder o seu tópico.
No contexto de Machine Learning, as previsões não são necessariamente direcionadas a uma retrospectiva linear das informações. Na verdade, isso depende muito do tipo de algoritmo de aprendizado de máquina que você está usando.
Por exemplo, se você estiver usando um modelo de regressão linear, então, sim, você estaria correto em dizer que as previsões são uma função linear das informações de entrada. No entanto, existem muitos outros tipos de modelos de aprendizado de máquina que não se baseiam em uma retrospectiva linear das informações. Por exemplo, as árvores de decisão, as florestas aleatórias e as redes neurais são todas capazes de modelar relações não lineares entre as entradas e as saídas.
Quanto à sua pergunta sobre o uso de um DataFrame (DF) de predição de uma biblioteca, isso também depende. Em muitos casos, você pode usar um DataFrame para armazenar suas entradas e saídas para treinamento e previsão. No entanto, o formato exato dos dados que você usa para treinamento e previsão dependerá do modelo específico e da biblioteca que você está usando.
Por exemplo, na aula que você está revisando, você aprendeu a treinar um modelo com a base House Pricing, e como colocar esse modelo em uma API. Nesse caso, você provavelmente usaria um DataFrame para armazenar os dados de treinamento e talvez também os dados de previsão.
Espero ter ajudado e bons estudos!
Show, muito obrigado!