-
Notifications
You must be signed in to change notification settings - Fork 265
/
treinando-modelos-ensemble-com-scikit-learn-andressa-sivolella.json
25 lines (25 loc) · 1.54 KB
/
treinando-modelos-ensemble-com-scikit-learn-andressa-sivolella.json
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
{
"copyright_text": null,
"description": "\u00c1rvore de Decis\u00e3o \u00e9 um algoritmo de m\u00e1quina de aprendizado supervisionado. Uma das grandes desvantagens desse algoritmo \u00e9 a depend\u00eancia do conjunto de treino. Qual o problema disso? O que ocorre com classificadores desse tipo \u00e9 o overfitting. Em outras palavras, tais classificadores ficam 'viciados' no conjunto de treino. O que fazer para contornar isso? \u00c9 a\u00ed que surgem os modelos ensemble: tais modelos utilizam como classifica\u00e7\u00e3o o voto majorit\u00e1rio de um conjunto de classificadores ditos fracos. Intuitivamente, seria como se numa confer\u00eancia m\u00e9dica, especialistas em diferentes \u00e1reas quisessem diagnosticar um paciente com diferentes sintomas. O diagn\u00f3stico dado pelo voto majorit\u00e1rio de todos os conferencistas \u00e9 mais forte que o diagn\u00f3stico dado por um \u00fanico m\u00e9dico, certo? Quer saber mais sobre isso? Voc\u00ea pode conferir essa palestra atrav\u00e9s de uma apresenta\u00e7\u00e3o de exemplos cotidianos.",
"duration": 2255,
"language": "por",
"recorded": "2016-10-13",
"related_urls": [
{
"label": "Conference schedule",
"url": "http://2016.pythonbrasil.org.br/#schedule"
}
],
"speakers": [
"Andressa Sivolella"
],
"tags": [],
"thumbnail_url": "https://i.ytimg.com/vi/wPyqcHxSCFA/maxresdefault.jpg",
"title": "Treinando Modelos Ensemble com Scikit Learn",
"videos": [
{
"type": "youtube",
"url": "https://www.youtube.com/watch?v=wPyqcHxSCFA"
}
]
}