Portuguese, Brazilian subtitles

← Extracting Information from sklearn - Intro to Machine Learning

Get Embed Code
5 Languages

Showing Revision 13 created 06/20/2016 by Udacity Robot.

  1. Antes de sair deste exemplo de codificação, quero mostrar a você apenas
  2. algumas coisas que podem tornar sua regressão mais útil.
  3. A primeira coisa é que talvez você precise fazer uma previsão com ela.
  4. E, naturalmente, isso não deve ser tão difícil.
  5. Para isso, você pode simplesmente chamar a função predict em sua regressão.
  6. Mas aqui há uma pequena armadilha; ela esperará uma lista de valores.
  7. Portanto, mesmo que você tenha apenas um valor que deseja prever,
  8. ainda precisará colocá-lo em uma lista.
  9. Pode ser que você também queira saber quais são os coeficientes e
  10. a interceptação da regressão.
  11. Você pode acessar esses dados usando reg.coef_ e
  12. reg.intercept_ como pode ver aqui.
  13. Não esqueça deste pequeno sublinhado.
  14. Do contrário, ela não entenderá o que você está falando.
  15. Lembre-se de que esperávamos que a inclinação fosse aproximadamente 6,25.
  16. Mas talvez não exatamente.
  17. E a interceptação deve estar próxima a zero. Mas,
  18. novamente, não esperamos que isso seja exato,
  19. porque há um pouco de ruído em nossos dados de treinamento.
  20. Há mais algumas linhas aqui sobre a r squared score.
  21. Voltarei a isso em breve.
  22. Mas quero mostrar a você agora o que são a previsão, os coeficientes e a
  23. interceptação.
  24. Portanto, estas três linhas são as linhas sobre as quais estávamos falando.
  25. Posso prever meu patrimônio líquido com base na regressão.
  26. Ele é de aproximadamente 160, com base em minha idade.
  27. Podemos exibir também a inclinação e as interceptações.
  28. Lembre-se de que pensamos que a inclinação seria de aproximadamente 6,25.
  29. É quase isso, mas não exatamente.
  30. O mesmo se aplica à interceptação, que não é exatamente zero.
  31. Nos próximos vídeos, falaremos muito sobre os tipos de erros que
  32. você pode obter nas regressões.
  33. Porque eles são fundamentalmente diferentes dos tipos de
  34. erros que você obtém na classificação.
  35. Então, acabaremos
  36. calculando a chamada r-squared.
  37. Agora, as próximas linhas fornecem o desempenho de
  38. sua regressão.
  39. Uma forma de avaliar a regressão, sobre a qual falaremos
  40. muito mais nos próximos vídeos, é por meio de uma métrica chamada r-squared.
  41. Existe também a soma dos erros... falaremos sobre tudo isso.
  42. Mas, agora quero apenas mostrar como isso aparece.
  43. Para que você entenda porque isso é importante.
  44. Para acessar essas métricas de desempenho, você usa
  45. a chamada função score executada em sua regressão.
  46. Você sempre precisará analisar a pontuação dos seus dados de teste.
  47. Porque, naturalmente, você está ajustando a regressão usando os dados de treinamento.
  48. Se houver qualquer sobreajuste, isso será indicado
  49. através de uma pontuação mais baixa durante a análise dos dados de teste.