Dados Numéricos no IA Lab

Comece a aprender com a Code.org hoje!

Entre em contato conosco nas redes sociais:
• Twitter: https://twitter.com/codeorg
• Facebook: https://www.facebook.com/Code.org
• Instagram: https://instagram.com/codeorg
• TikTok: https://tiktok.com/@code.org
• LinkedIn: https://www.linkedin.com/company/code-org
• Medium: https://medium.com/@codeorg

Ajude a tornar nosso trabalho possível com uma doação em http://code.org/donate!

Dados numéricos no I.A. Lab é um
pouco diferente dos dados categóricos.

Vamos conferir um exemplo
no qual um parque de diversão

quer usar machine learning para prever o quanto de renda eles produzirão em um dia específico.

Em vez de gráficos de barras,
dados numéricos exibem os valores

mínimo e máximo do conjunto de dados

Ele também exibe o intervalo, o qual é
diferença entre o mínimo e o máximo.

Em vez de tabelas de referências cruzadas,

dados numéricos são exibidos
em gráficos de dispersão.

Esses gráficos ainda exibem como duas colunas estão relacionadas uma com a outra.

O rótulo é sempre exibido no lado esquerdo e o recurso é sempre exibido na parte de baixo.

Não tente focar em cada ponto individualmente.

Em vez disso, tente observar o gráfico
como um todo exibi um padrão.

Por exemplo, nesse gráfico, eu consigo observar que há um número baixo de propagandas on-line,

mas também um número
baixo de receita naquele dia.

E, se tiver um número alto de propagandas
on-line, há uma alta receita naquele dia.

Esse é um padrão que o Robô I.A. pode usar
para ajudar a criar predições no seu modelo.

Esse gráfico mostra quanta receita
é feita baseado no dia do mês.

Isso não é lá muito útil para fazer predições, por conta de o quanto espalhados os dados estão.

É difícil predizer qual será a minha
receita em um dia específico.

Outra diferença entre dados numéricos e
dados categóricos é na tela de resultados.

Com dados categóricos, podemos calcular precisão como se fosse uma checklist.

Toda vez que o Robô I.A. adivinhar exata e corretamente, irá aumentar a nossa precisão.

Com dados numéricos, é tipo como
se fosse um quadro negro.

Enquanto os palpites do Robô I.A. forem próximos o suficiente, ainda os consideramos como corretos.

No I.A. Lab, a diferença entre os dois palpites precisam estar dentro de 5% do intervalo total.

O número atual muda conforme o quão grande ou pequeno for o conjunto de dados.

Mas você pode usar esse painel de
detalhes para ver mais informações sobre

quais são os palpites que o Robô I.A. acertou,
e quais palpites que o Robô I.A. errou.

Treinar modelos com dados numéricos é como treinar modelos com dados categóricos,

você ainda está ajudando
o Robô I.A. a fazer predições,

mas as ferramentas usadas são levemente diferentes, e a maneira como calculamos precisão

nos permite aceitar estar perto o suficiente.