Introdução

• 2 minutos

As saídas dos modelos de classificação são categóricas, o que significa que podem ser usados para rotular entradas ou tomada de decisão. Por exemplo, um carro autônomo usa a classificação para decidir se deve virar à esquerda ou à direita em uma interseção. Um modelo de classificação é diferente dos modelos de regressão clássicas onde as saídas são contínuas, como o tamanho de um calçado ou a velocidade de um trem. Os modelos de classificação são diversificados na forma como funcionam. Para começar, vamos nos concentrar na regressão logística, que é um tipo mais simples e popular de modelo que é usado extensivamente em muitas áreas da ciência e do setor.

Cenário: prever avalanches com o aprendizado de máquina

Ao longo deste módulo, usaremos o cenário de exemplo a seguir para explicar os conceitos relacionados à classificação. Este cenário foi projetado para fornecer um exemplo de como você pode atender a esses conceitos em sua programação.

Sua caridade é responsável por operações de resgate em avalanche em trilhas de caminhada em todo o noroeste dos Estados Unidos. Concedido, a opção mais segura seja fechar permanentemente todas as trilhas durante a temporada de esqui e caminhadas, mas isso significaria que nenhum esportista poderia desfrutar da paisagem! Seu objetivo é criar um modelo que possa prever se um dia específico provavelmente resultará em uma avalanche. Então, usando essa previsão, você pode fechar a trilha quando o risco for alto. Ao fazer a previsão lembre-se: a previsão de avalanches que não acontecem pode prejudicar a turismo local, enquanto a falha na previsão de avalanches que ocorrem pode resultar em perda de vida. Claramente, um equilíbrio deve ser encontrado.

Pré-requisitos

• Familiaridade com modelos de machine learning

Objetivos de aprendizagem

Neste módulo, você vai:

• Descobrir como a classificação difere da regressão clássica
• Criar modelos que podem executar tarefas de classificação
• Explorar como avaliar e melhorar os modelos de classificação