Return to Video

Gaussian NB Example - Intro to Machine Learning

  • 0:00 - 0:04
    Certo. Então, agora, acessei a página de documentação do
  • 0:04 - 0:05
    Gaussian Naive Bayes.
  • 0:05 - 0:08
    sklearn.naive_bayes.GaussianNB.
  • 0:08 - 0:11
    Esse era o algoritmo que eu pretendia descobrir.
  • 0:11 - 0:16
    Encontrei a página de documentação do SK Learn.
  • 0:16 - 0:18
    A primeira coisa que vejo aqui — aliás, isso é uma das coisas que
  • 0:18 - 0:23
    adoro em relação à documentação do SK Learn — é que há muitos exemplos.
  • 0:23 - 0:26
    Quando estava desenvolvendo o código para esta aula, uma das
  • 0:26 - 0:29
    primeiras coisas que eu sempre fazia era procurar o código de exemplo
  • 0:29 - 0:31
    e tentar executá-lo em meu interpretador Python para
  • 0:31 - 0:33
    ver se funcionava.
  • 0:33 - 0:36
    Quase que invariavelmente, funcionava sem alterações.
  • 0:36 - 0:38
    Bem, aqui está algo bastante simples.
  • 0:38 - 0:40
    Há apenas algumas linhas aqui que são realmente importantes.
  • 0:40 - 0:41
    Vou indicá-las para você e,
  • 0:41 - 0:46
    depois, mostrarei o código que realmente escrevi para o exemplo que acabamos de ver,
  • 0:46 - 0:48
    e você começará a reconhecer algumas delas.
  • 0:48 - 0:49
    Mas, primeiro, vou apresentá-las.
  • 0:49 - 0:52
    A primeira linha realmente importante é esta aqui.
  • 0:54 - 0:57
    Acima dela, vemos apenas a criação de alguns pontos de treinamento que podemos usar;
  • 0:57 - 0:58
    nada tão importante.
  • 0:58 - 1:02
    É aqui que começa a parte principal, com esta declaração import; se você já
  • 1:02 - 1:05
    tiver programado no Python antes, estará familiarizado com as declarações import.
  • 1:05 - 1:08
    Essa é a maneira de incorporar módulos externos no código que você
  • 1:08 - 1:12
    está escrevendo, de modo que não precise sempre reimplementar tudo.
  • 1:12 - 1:15
    Você pode usar o código que outra pessoa já escreveu.
  • 1:15 - 1:19
    Então, dizemos que sklearn.naive_bayes importará GaussianNB.
  • 1:19 - 1:20
    Muito bem.
  • 1:20 - 1:23
    Em seguida, usaremos isso para
  • 1:23 - 1:24
    criar um classificador.
  • 1:24 - 1:27
    Portanto, o classificador é igual a GaussianNB.
  • 1:27 - 1:29
    Se você esquecer a declaração import,
  • 1:29 - 1:30
    se você esquecer esta linha por
  • 1:30 - 1:32
    algum motivo, ela lançará um erro.
  • 1:32 - 1:36
    Assim, se você receber algum tipo de erro indicando que essa função não
  • 1:36 - 1:38
    foi reconhecida,
  • 1:38 - 1:40
    provavelmente, o problema está na sua declaração import.
  • 1:40 - 1:43
    Muito bem, criamos nosso classificador,
  • 1:43 - 1:45
    Agora, o código está pronto para uso.
  • 1:45 - 1:47
    Depois, precisamos ajustá-lo.
  • 1:49 - 1:52
    Estávamos usando a palavra treinar de modo intercambiável com ajustar.
  • 1:52 - 1:55
    Então, aqui é onde realmente fornecemos os dados de treinamento
  • 1:55 - 1:57
    e ele reconhece os padrões.
  • 1:57 - 2:00
    Então, temos o classificador que acabamos de criar.
  • 2:00 - 2:04
    Estamos chamando a função fit nele. Depois, os dois argumentos que passamos para
  • 2:04 - 2:10
    fit são x, que, neste caso, são as características, e y, que são os rótulos.
  • 2:10 - 2:13
    Isso sempre acontecerá na classificação supervisionada.
  • 2:13 - 2:15
    A função fit será chamada e, em seguida,
  • 2:15 - 2:16
    haverá as características.
  • 2:16 - 2:17
    E, depois, os rótulos.
  • 2:19 - 2:22
    Por último, solicitamos ao classificador que
  • 2:22 - 2:24
    acabamos de treinar algumas previsões.
  • 2:24 - 2:25
    Então, damos a ele um novo ponto.
  • 2:25 - 2:29
    Neste caso, o ponto é 0,8 negativo e 1 negativo.
  • 2:29 - 2:33
    E perguntamos qual deve ser o rótulo para este ponto específico?
  • 2:33 - 2:35
    A que classe ele pertence?
  • 2:35 - 2:38
    Portanto, neste caso, ele diz que pertence a uma classe de número um.
  • 2:38 - 2:42
    Ou você pode imaginar que, para outro ponto, pudesse ser a classe número dois.
  • 2:42 - 2:48
    É claro que você já deve ter ajustado o classificador antes de
  • 2:48 - 2:49
    solicitar uma previsão.
  • 2:49 - 2:50
    Porque, quando ele está ajustando os dados, está,
  • 2:50 - 2:52
    na verdade, reconhecendo os padrões.
  • 2:52 - 2:55
    É aqui que ele está usando esses padrões para fazer uma previsão.
  • 2:55 - 2:57
    Bem, é isso.
  • 2:57 - 2:59
    Parece que, agora, você já sabe quase tudo
  • 2:59 - 3:02
    para que possa colocar isso em funcionamento no primeiro exemplo que eu fiz.
Title:
Gaussian NB Example - Intro to Machine Learning
Description:

more » « less
Video Language:
English
Team:
Udacity
Project:
ud120 - Intro to Machine Learning
Duration:
03:03

Portuguese, Brazilian subtitles

Revisions Compare revisions