Estudo Guiado 08 - Aprendizagem com Exemplos

Resolva antes de consultar novamente os slides. Use os códigos somente depois de registrar suas hipóteses.

Objetivos de aprendizagem

  • De regras para exemplos: D={(x_i,y_i)}; hipótese h(x) aproxima relação f(x); desempenho relevante é em exemplos não vistos.
  • Classificação e regressão: Classificação prevê classes; regressão prevê valores numéricos contínuos; o alvo define a tarefa.
  • Generalização: Underfitting e overfitting; treinamento e teste devem ser separados antes de avaliar.
  • Árvores de decisão: Nós são testes, ramos são resultados, folhas são predições; caminho raiz-folha equivale a regra.
  • Escolha de divisões: Entropia mede incerteza, Gini mede impureza e ganho de informação compara divisões.
  • Implementação: DecisionTreeClassifier, fit, predict, max_depth e representação da árvore.

Questões de interpretação

  1. Qual diferença entre conhecimento codificado em regras e hipótese induzida por exemplos?
  2. Quais variáveis diferenciam classificação de regressão?
  3. Por que maximizar a acurácia no treinamento não basta?
  4. Calcule a entropia de um nó com classes balanceadas e de um nó puro.
  5. Por que max_depth pode melhorar a generalização?

Prática com Python

Execute os scripts em exemplos/08-aprendizagem-exemplos/ quando houver e identifique entradas, etapas de ajuste e saída. Não utilize o conjunto de teste para selecionar hiperparâmetros.

Discussão

Qual decisão metodológica mais influencia o resultado desta aula? Proponha uma modificação e descreva como ela poderia ser avaliada de maneira reprodutível.

Autoavaliação

  • [ ] Identifico entradas e saídas.
  • [ ] Explico o funcionamento do método.
  • [ ] Consigo interpretar seus parâmetros.
  • [ ] Reconheço um erro experimental que invalidaria a comparação.
  • [ ] Explico como a aula prepara o tema seguinte.