Estudo Guiado 10 - Support Vector Machines e PCA

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

Objetivos de aprendizagem

  • Hiperplano e margem: SVM procura fronteira de decisão de grande margem; vetores de suporte influenciam sua posição.
  • Soft margin e C: C menor implica maior regularização; C maior penaliza mais violações de margem.
  • Separação não linear: Mudança de representação e kernel trick; visualização 2D para 3D como apoio conceitual.
  • RBF/Gaussiana: K(x,z)=exp(-gamma ||x-z||²); gamma menor amplia influência; gamma maior torna influência local.
  • Experimento: Pipeline com StandardScaler e SVC linear/RBF; validação para escolha de parâmetros.
  • PCA: Redução de dimensionalidade para visualização; explained_variance_ratio_ indica fração de variância explicada por componente.

Questões de interpretação

  1. Qual é o papel dos vetores de suporte?
  2. Como C influencia a tolerância a violações da margem?
  3. Descreva geometricamente o efeito de gamma no kernel RBF.
  4. Por que StandardScaler deve estar dentro do Pipeline?
  5. O que significa explained_variance_ratio_ de dois componentes PCA?

Prática com Python

Execute os scripts em exemplos/10-svm/ 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.