rótulos
Classificação
Aprende uma fronteira para separar classes conhecidas. A fronteira é uma aproximação, não uma decisão jurídica.
Os pontos estão misturados. Ainda não há separação aprendida.
característica 1característica 2
Laboratório do Capítulo 1
Algoritmos principais
Compare visualmente como classificação, regressão, agrupamento, árvore, rede neural e reforço transformam dados.
← Voltar ao capítuloDados sintéticos · atividade local · reinício disponível
Laboratório visual
Como os principais algoritmos transformam dados
Escolha um algoritmo, veja o movimento essencial e observe o que a saída ainda não prova.
valor contínuo
Regressão
Encontra uma relação aproximada para estimar um valor. A linha acompanha os dados, mas não explica causalidade.
Os pontos mostram observações sintéticas. A linha ainda não foi ajustada.
experiênciatempo estimado
sem rótulos
Agrupamento
Organiza pontos por semelhança. O grupo encontrado precisa de interpretação humana e não é uma categoria jurídica automática.
Os pontos não têm grupos definidos.
regras aprendidas
Árvore de decisão
Divide o espaço por perguntas sucessivas. É visual, mas a escolha das variáveis e dos rótulos continua sendo uma decisão de projeto.
Escolha uma entrada para percorrer a árvore.
tem assinatura?
simnãoencaminhar
revisar
representações
Rede neural
Camadas transformam sinais em representações. A animação mostra passagem para frente, não pensamento nem explicação.
A entrada aguarda processamento.
entrada
→representação
→saída
consequências
Aprendizado por reforço
Um agente escolhe ações e recebe recompensas. A recompensa precisa de limites, segurança e uma justificativa institucional.
O agente está no ponto inicial.
●×★
recompensa: alcançar o objetivo sem atravessar o obstáculoOpcional: testar esta técnica em Python
Classificação mínima com scikit-learn
Instale: pip install scikit-learn
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
X, y = make_classification(
n_samples=80, n_features=2, n_redundant=0,
random_state=7
)
modelo = LogisticRegression().fit(X, y)
print(modelo.predict([[0.2, -0.1]]))Uso pedagógico: rode o exemplo com dados sintéticos, observe a saída e compare com o que a simulação visual mostrou.