Aprendizado de Máquinas com Azure Machine Learning e R
8 gostaram2,815 visualizações
Este documento apresenta os principais algoritmos de aprendizado de máquina, incluindo regressão, classificação, clusterização e detecção de anomalias. Ele explica métricas de desempenho para classificação binária como acurácia, precisão, recall e F1 score, e demonstra como o algoritmo K-means funciona para clusterização de dados.
Aprendizado de Máquinas com Azure Machine Learning e R
- 1. Aprendizado de Máquinas com Azure Machine Learning e R Diego Nogare @DiegoNogare www.diegonogare.net
- 3. Do que é esta palestra? Inteligência Artificial Análise Preditiva Aprendizado de Máquinas Big Data Business Analytics Data Science
- 7. Classificadores Binários ACURACY (ACURÁCIA): Quantidade classificada como Positivos e Negativos corretamente (True Positive + True Negative) / ((True Positive + False Negative) +(False Positive + True Negative)) Com nossos números: (16 + 54) / ((16+0) + (5+54)) => 70 / 75 = 0.9333
- 8. Classificadores Binários PRECISION (PRECISÃO): Quantidade classificada corretamente True Positive / (True Positive + False Positive) Com nossos números: (16) / (16 + 5) => 16 / 21 = 0.7619
- 9. Classificadores Binários RECALL: Quantidade classificada como Positivo corretamente True Positive / (True Positive + False Negative) Com nossos números: 16 / (16+0) => 16 / 16 = 1
- 10. Classificadores Binários F1 SCORE: Média harmônica entre Precisão e Recall Precisão: True Positive / (True Positive + False Positive) Recall: True Positive / (True Positive + False Negative) (2* True Positive) / (2* True Positive + False Positive + False Negative) Com nossos números: (2*16) / (2*16 + 5 + 0) => 32 / 37 = 0.8648 2* Precision*Recall / (Precision + Recall) Com nossos números: 2*(0,76*1)/(0,76+1) => 1,52 / 1,76 = 0.8636 F1- Score – harmonic mean of Precision and Recall 2. precision .recall /(precision+recall)
- 11. ROC Area under the ROC curve = AUC 0.5(𝑟𝑎𝑛𝑑𝑜𝑚𝑚𝑜𝑑𝑒𝑙)<𝐴𝑈𝐶<1(𝑝𝑒𝑟𝑓𝑒𝑐𝑡𝑚𝑜𝑑𝑒𝑙)
- 12. ROC Area under the ROC curve = AUC 0.5(𝑟𝑎𝑛𝑑𝑜𝑚𝑚𝑜𝑑𝑒𝑙)<𝐴𝑈𝐶<1(𝑝𝑒𝑟𝑓𝑒𝑐𝑡𝑚𝑜𝑑𝑒𝑙)
- 13. Métricas de Performance Curva ROC (Receiver Operating Characteristic) – 1.0: Predição Perfeita – 0.9: Predição Excelente – 0.8: Predição Boa – 0.7: Predição Medíocre – 0.6: Predição Porca – 0.5: Predição Aleatória – <0.5: Tem alguma coisa errada!
- 15. 30times 2 conferências 25jogadoers US$ 3,5 Bilhões em contratos 64Jogares 1 All Star Game http://deadspin.com/2014-payrolls-and-salaries-for-every-mlb-team-1551868969
- 17. K-Means Cluster Todos os dados são plotados no gráfico Os pontos representam os indivíduos analisados, mas não estão separados em grupos, todos fazem parte do mesmo grupo. Ao informar a quantidade de centróides, as interções começam até o momento de convergir e encontrar os K grupos. Os pontos representam os dados de treinos, neste caso o dataset
- 18. K-Means Cluster Centróides iniciais em posições aleatórias Ao iniciar o algoritmo, os K pontos (chamados de centróides) são plotados aleatoriamente no plano e possuem um ponto de partida para iniciar o algoritmo. As cruzes representam os centróides, e a linha tracejada é a borda de separação entre os centróides, fazendo com que esse grupo seja dividido entre os individuos da parte de cima desta linha, e da parte de baixo.
- 19. K-Means Cluster Com base nos pontos e centros, inicia-se o algoritmo Os centróides são re-calculados a cada interação, calculando a média da distância entre cada ponto e a posição do centróide. Então, com base neste resultado o centróide muda de lugar ficando mais ao centro de seus pontos (elementos). Posição inicial (amarelo) do centróide seguindo para uma próxima posição (vermelho e azul).
- 20. K-Means Cluster Alteração dos pontos e centros Enquanto a distância for recalculada e elementos mudarem de centro, o algoritmo continua executando. Reparem que os elementos marcados mudaram de centro.
- 21. K-Means Cluster Posição final depois de uma interação.
- 22. K-Means Cluster Com base nos pontos e centros, inicia-se o algoritmo Mais uma interação e re-calculo das distâncias, e com isso, mais uma vez a movimentação dos centróides. Posição inicial (amarelo) do centróide seguindo para uma próxima posição (vermelho e azul).
- 23. K-Means Cluster Quando parar? No momento que os centróides não recebem nenhum elemento novo em seu grupo significa que eles convergiram para uma posição satisfatória, e criou os grupos necessários. Enquanto a média da distância calculada ainda alterar pontos entre os grupos, o algoritmo continua interagindo e re-calculando os centróides.
- 24. K-Means Cluster Ponto satisfatório Ao encontrar o ponto satisfatório, o algoritmo para de executar e mantém os elementos conectados com seus centróides. Depois da interação não houve mudança de elementos.
- 25. K-Means Cluster Quantos centróides usar? Existe uma linha de pesquisa que usa esta representação de elbow (cotovelo) para definir uma quantidade razoavel de centróides. Esta técnica condiz em encontrar o platô e então utilizar valores anteriores. Quando utilizar um valor que esteja estagnado no platô, o resultado não terá tanta relevância e impacto para o agrupamento.
- 26. K-Means Cluster
- 27. K-Means Cluster
- 28. K-Means Cluster
- 29. K-Means Cluster
- 30. K-Means Cluster
- 31. K-Means Cluster
- 32. K-Means Cluster
- 33. K-Means Cluster
- 34. K-Means Cluster
- 35. K-Means Cluster