Portuguese, Brazilian subtitles

← Gaussian NB Example - Intro to Machine Learning

Get Embed Code
6 Languages

Showing Revision 12 created 06/20/2016 by Udacity Robot.

  1. Certo. Então, agora, acessei a página de documentação do
  2. Gaussian Naive Bayes.
  3. sklearn.naive_bayes.GaussianNB.
  4. Esse era o algoritmo que eu pretendia descobrir.
  5. Encontrei a página de documentação do SK Learn.
  6. A primeira coisa que vejo aqui — aliás, isso é uma das coisas que
  7. adoro em relação à documentação do SK Learn — é que há muitos exemplos.
  8. Quando estava desenvolvendo o código para esta aula, uma das
  9. primeiras coisas que eu sempre fazia era procurar o código de exemplo
  10. e tentar executá-lo em meu interpretador Python para
  11. ver se funcionava.
  12. Quase que invariavelmente, funcionava sem alterações.
  13. Bem, aqui está algo bastante simples.
  14. Há apenas algumas linhas aqui que são realmente importantes.
  15. Vou indicá-las para você e,
  16. depois, mostrarei o código que realmente escrevi para o exemplo que acabamos de ver,
  17. e você começará a reconhecer algumas delas.
  18. Mas, primeiro, vou apresentá-las.
  19. A primeira linha realmente importante é esta aqui.
  20. Acima dela, vemos apenas a criação de alguns pontos de treinamento que podemos usar;
  21. nada tão importante.
  22. É aqui que começa a parte principal, com esta declaração import; se você já
  23. tiver programado no Python antes, estará familiarizado com as declarações import.
  24. Essa é a maneira de incorporar módulos externos no código que você
  25. está escrevendo, de modo que não precise sempre reimplementar tudo.
  26. Você pode usar o código que outra pessoa já escreveu.
  27. Então, dizemos que sklearn.naive_bayes importará GaussianNB.
  28. Muito bem.
  29. Em seguida, usaremos isso para
  30. criar um classificador.
  31. Portanto, o classificador é igual a GaussianNB.
  32. Se você esquecer a declaração import,
  33. se você esquecer esta linha por
  34. algum motivo, ela lançará um erro.
  35. Assim, se você receber algum tipo de erro indicando que essa função não
  36. foi reconhecida,
  37. provavelmente, o problema está na sua declaração import.
  38. Muito bem, criamos nosso classificador,
  39. Agora, o código está pronto para uso.
  40. Depois, precisamos ajustá-lo.
  41. Estávamos usando a palavra treinar de modo intercambiável com ajustar.
  42. Então, aqui é onde realmente fornecemos os dados de treinamento
  43. e ele reconhece os padrões.
  44. Então, temos o classificador que acabamos de criar.
  45. Estamos chamando a função fit nele. Depois, os dois argumentos que passamos para
  46. fit são x, que, neste caso, são as características, e y, que são os rótulos.
  47. Isso sempre acontecerá na classificação supervisionada.
  48. A função fit será chamada e, em seguida,
  49. haverá as características.
  50. E, depois, os rótulos.
  51. Por último, solicitamos ao classificador que
  52. acabamos de treinar algumas previsões.
  53. Então, damos a ele um novo ponto.
  54. Neste caso, o ponto é 0,8 negativo e 1 negativo.
  55. E perguntamos qual deve ser o rótulo para este ponto específico?
  56. A que classe ele pertence?
  57. Portanto, neste caso, ele diz que pertence a uma classe de número um.
  58. Ou você pode imaginar que, para outro ponto, pudesse ser a classe número dois.
  59. É claro que você já deve ter ajustado o classificador antes de
  60. solicitar uma previsão.
  61. Porque, quando ele está ajustando os dados, está,
  62. na verdade, reconhecendo os padrões.
  63. É aqui que ele está usando esses padrões para fazer uma previsão.
  64. Bem, é isso.
  65. Parece que, agora, você já sabe quase tudo
  66. para que possa colocar isso em funcionamento no primeiro exemplo que eu fiz.