Estudo Guiado 11 - Atividade Integradora - DT, KNN e SVM

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

Objetivos de aprendizagem

Protocolo experimental: Mesma base, alvo, divisão, semente e métricas; sem tuning no teste.
Classe positiva: Na base Breast Cancer do scikit-learn: original 0=malignant; transformar para 1=maligno como classe positiva.
Modelos: DT max_depth=4, KNN k=5 e SVM RBF com C=1 e gamma=scale.
Métricas: Acurácia, precisão, recall e F1; matriz de confusão [[TN,FP],[FN,TP]].
Decisão contextual: Falsos negativos podem custar mais que falsos positivos; métricas são complementares.
Interpretação: Resultados de uma única partição e uma base não estabelecem superioridade universal.

Questões de interpretação

Qual classe positiva foi adotada na atividade?
Interprete TN, FP, FN e TP em uma matriz de confusão.
Explique a diferença entre precisão e recall para casos malignos.
Por que DT não exige a mesma padronização usada por KNN e SVM?
Por que o melhor classificador neste experimento não é universalmente superior?

Prática com Python

Execute os scripts em exemplos/11-atividade-comparacao/ 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.