Showing Revision 9 created 06/20/2016 by Udacity Robot.

1. Title:
   Algorithms Requiring Rescaling Solution - Intro to Machine Learning
2. Description:

3. 150 0:00 - 0:01
   O que você acha, Katie?
4. 960 0:01 - 0:03
   Quais respostas estão corretas aqui?
5. 2580 0:03 - 0:06
   >> As respostas corretas, aquelas que precisam de recursos rescaled serão
6. 6130 0:06 - 0:09
   SVM e K-MEANS CLUSTERING.
7. 9110 0:09 - 0:14
   >> Então tanto nas máquinas de vetor de suporte quanto no agrupamento k-means, você
8. 13540 0:14 - 0:16
   troca uma dimensão pela outra quando calcula a distância.
9. 16360 0:16 - 0:19
   Vamos usar, por exemplo, máquinas de vetor de suporte.
10. 19160 0:19 - 0:23
    Você vê a linha de separação que aumenta a distância.
11. 23030 0:23 - 0:25
    Nela você calcula a distância.
12. 24870 0:25 - 0:30
    E esse cálculo de distância compensa uma dimensão com a outra.
13. 29610 0:30 - 0:34
    Criamos uma dimensão duas vezes maior que a outra, contada duas vezes.
14. 33600 0:34 - 0:36
    O mesmo ocorre, coincidentemente, para
15. 36335 0:36 - 0:39
    agrupamento K-MEANS, no qual você tem um centro do cluster.
16. 39360 0:39 - 0:44
    E você calcula a distância do centro do cluster para todos os pontos de dados.
17. 44420 0:44 - 0:47
    E essa distância tem exatamente a mesma caracterização.
18. 46840 0:47 - 0:51
    Se você criar uma variável duas vezes maior, ela vai exigir o dobro.
19. 50510 0:51 - 0:53
    Assim, as máquinas de vetor de suporte e o
20. 52545 0:53 - 0:57
    K-MEANS são afetados pelo redimensionamento de recurso.
21. 56700 0:57 - 1:00
    Katie, me fale sobre as árvores de decisão e a regressão linear.
22. 59550 1:00 - 1:01
    Por que elas não estão incluídas?
23. 61180 1:01 - 1:05
    As árvores de decisão não vão fornecer uma linha diagonal como essa, certo?
24. 64519 1:05 - 1:08
    Elas vão fornecer uma série de linhas verticais e horizontais.
25. 67910 1:08 - 1:09
    Então não há compensação.
26. 69200 1:09 - 1:12
    Basta fazer um corte em uma direção e um corte em outra.
27. 71860 1:12 - 1:15
    Você não precisa se preocupar com o que está acontecendo em uma dimensão
28. 74830 1:15 - 1:16
    quando está fazendo algo em outra.
29. 76370 1:16 - 1:19
    >> E se você comprimir esta pequena área aqui, para metade do tamanho,
30. 79260 1:19 - 1:23
    porque redimensiona o recurso onde a linha da imagem está?
31. 82820 1:23 - 1:24
    Ela ficará em um local diferente, mas
32. 84300 1:24 - 1:27
    a separação é cronologicamente igual à anterior.
33. 86700 1:27 - 1:27
    Ela pode ser expandida,
34. 87480 1:27 - 1:32
    não há compensação entre essas duas variáveis diferentes.
35. 91910 1:32 - 1:34
    E quanto à regressão linear?
36. 93760 1:34 - 1:36
    >> Algo semelhante acontece na regressão linear.
37. 96250 1:36 - 1:38
    Lembre-se de que na regressão linear,
38. 97980 1:38 - 1:41
    cada um de nossos recursos vai ter um coeficiente associado a ele.
39. 101360 1:41 - 1:44
    E esse coeficiente e esse recurso sempre ficam juntos.
40. 104070 1:44 - 1:46
    O que acontece no recurso A não afeta o
41. 106380 1:46 - 1:48
    coeficiente no recurso B.
42. 107750 1:48 - 1:49
    Então, eles estão separados da mesma forma.
43. 109360 1:49 - 1:54
    >> Na verdade, se você dobrou a escala variável de uma variável específica,
44. 113980 1:54 - 1:56
    esse recurso ficará com metade do tamanho.
45. 115900 1:56 - 1:58
    E a saída será exatamente igual à anterior.
46. 117750 1:58 - 2:00
    É muito interessante ver, e para alguns algoritmos,
47. 120340 2:00 - 2:05
    o redimensionamento realmente tem potencial se pudermos usá-lo, para outros não faz diferença.