Laboratório do Capítulo 1
Processo completo de ML
Percorra da pergunta à implantação e entenda por que limpeza, teste, avaliação e revisão fazem parte do ciclo.
← Voltar ao capítuloDados sintéticos · atividade local · reinício disponível
Fluxo de trabalho
Do problema à implantação
Avance pelo ciclo de ML e veja onde os dados são preparados, separados, avaliados e revistos.
1 de 12Faça uma pergunta
Caminho principal
- 01 Faça uma perguntaDefina o problema e a decisão que precisa de apoio.
- 02 Colete os dadosReúna exemplos que representem o contexto de uso.
- 03 Crie os atributosEscolha os sinais que o modelo poderá comparar.
- 04 Normalize os dadosColoque as medidas em escalas comparáveis.
- 05 Dados das amostrasOrganize os exemplos antes de treinar.
- 06 Dados de treinamentoReserve uma parte para ajustar o modelo.
- 07 Crie o modeloAprenda uma relação aproximada entre sinais e resposta.
- 08 Avalie o modeloCompare previsões com resultados conhecidos.
- 09 Implante o modeloUse com monitoramento, revisão e possibilidade de pausa.
O que muda agora
Faça uma pergunta
Escolha o que precisa ser decidido e por que isso importa.
Comece pelo problema, não pela ferramenta.
Descrição acessível: o fluxo apresenta uma sequência vertical de nove etapas, três ramos laterais e um retorno da avaliação para a coleta. O controle de animação destaca uma etapa por vez e atualiza o exemplo sintético abaixo do diagrama.
Opcional: testar esta técnica em Python
Pipeline mínimo: treino, teste e avaliação
Instale: pip install scikit-learn. Use apenas dados sintéticos ou autorizados.
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
X, y = make_classification(
n_samples=100, n_features=2, n_redundant=0,
random_state=7
)
X_treino, X_teste, y_treino, y_teste = train_test_split(
X, y, test_size=0.2, random_state=7, stratify=y
)
modelo = make_pipeline(StandardScaler(), LogisticRegression())
modelo.fit(X_treino, y_treino)
previsoes = modelo.predict(X_teste)
print("acurácia:", round(accuracy_score(y_teste, previsoes), 2))Uso pedagógico: rode o exemplo com dados sintéticos, observe a saída e compare com o que a simulação visual mostrou.