Nota visual 10 - Support Vector Machines e PCA

Mapa de síntese

Mapa conceitual

flowchart LR
  A[Problema] --> B[Dados e representação]
  B --> C[Método]
  C --> D[Avaliação]
  D --> E[Decisão]
  classDef base fill:#e9eafb,stroke:#2435a0,color:#17215e;
  class A,B,C,D,E base;

Conceitos em sequência

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

Revisão de 30 segundos

O algoritmo é apenas uma parte do processo. A representação dos dados, as hipóteses do classificador e a avaliação condicionam a validade das conclusões.

Erros conceituais frequentes

  • Usar o teste para escolher parâmetros ou transformações.
  • Tratar acurácia como critério universal de qualidade.
  • Confundir descrição de um algoritmo com garantia de desempenho.

Revisão de 1 minuto

Explique o objetivo do método, as informações necessárias, uma limitação e como avaliá-lo em dados não observados.

Checklist

  • [ ] Consigo explicar os conceitos centrais sem consultar os slides.
  • [ ] Distingo treinamento, validação e teste.
  • [ ] Sei apontar a escolha metodológica específica desta aula.
  • [ ] Consigo relacionar esta aula às anteriores.

Estudo guiado