Do curso: Fundamentos do Aprendizado de Máquina com Python

Acesse uma demonstração gratuita desse curso

Cadastre-se hoje mesmo e acesse mais de 24.900 cursos criados por especialistas.

Reduzindo a dimensionalidade do conjunto de dados - aprendizado supervisionado

Reduzindo a dimensionalidade do conjunto de dados - aprendizado supervisionado - Tutorial de Python

Do curso: Fundamentos do Aprendizado de Máquina com Python

Inicie a demonstração grátis de 1 mês Adquira para sua equipe

Reduzindo a dimensionalidade do conjunto de dados - aprendizado supervisionado

“

Redução de dimensionalidade é um método para representar um determinado conjunto de dados usando um número menor de características, enquanto ainda captura as propriedades significativas dos dados originais. Alguns benefícios dessa técnica são reduzir a necessidade de uma grande infraestrutura computacional, remoção de redundância e prevenção de overfitting, porque, com menos características, os modelos são menos propensos a ter uma grande adequação a esses dados, ou seja, aumenta a sua capacidade de generalizar. As principais técnicas para reduzir a dimensionalidade de um conjunto são PCA e LDA. Sendo que o LDA, Linear Discriminante Analysis, apresenta o maior desempenho para tratamento de dados a serem usados em modelos de aprendizado supervisionados. Nesse vídeo vou demonstrar como usá-lo. Para isso, estou usando um outro conjunto de dados no Kaggle relativos a países. Vamos seguir usando a biblioteca sklearn. Dessa vez vamos usar Discriminante Analysis LDA. Importar a função LDA…

Conteúdos