Como as máquinas aprendem com dados
Conheça características e rótulos, o ciclo de tentativa e ajuste, a divisão entre treino e teste, o sobreajuste e a importância da qualidade dos dados.
- Identificar as características e o rótulo em um conjunto de dados
- Descrever o ciclo de aprendizado: prever, medir o erro e ajustar
- Explicar por que modelos são avaliados com dados que nunca viram no treinamento
Imagine ensinar a uma criança o que é um cachorro. Você não entrega uma definição: aponta para cachorros, gatos e raposas e explica qual é qual. Depois de ver exemplos suficientes, ela reconhece cachorros que nunca encontrou. O aprendizado de máquina funciona de forma parecida.
Um conjunto de dados é uma tabela de exemplos. Cada exemplo tem:
- Características: as informações que o modelo recebe, como tamanho, peso, cor ou quantidade de cômodos.
- Um rótulo: a resposta correta que queremos prever, como “cachorro”, “spam” ou “R$ 310.000”.
Aprender significa encontrar uma regra que relacione características e rótulos e que também funcione em novos exemplos.
Experimente
Até 15 XPCaracterística ou rótulo?
Um hospital quer prever se uma pessoa voltará a ser internada nos próximos 30 dias. Classifique cada coluna: ela é uma entrada que o modelo pode usar, a resposta que deve prever ou uma informação que não deve ser usada?
“Idade da pessoa”
“Número de internações anteriores”
“Foi reinternada em até 30 dias (sim/não)”
“Duração da internação atual, em dias”
“Data da reinternação”
“Número de prontuário”
O ciclo de aprendizado
Quase todo algoritmo de aprendizado repete o mesmo ciclo milhares ou milhões de vezes:
- Prever com as configurações atuais (os parâmetros do modelo).
- Comparar as previsões com os rótulos corretos.
- Medir o quanto errou com um único número: a perda.
- Ajustar um pouco os parâmetros na direção que reduz a perda.
- Repetir até que a perda pare de melhorar.
O programa abaixo aprende um parâmetro — o preço por metro quadrado — começando com um palpite muito ruim. Execute-o e veja o palpite melhorar.
1sizes = [50, 80, 120] # metros quadrados
2prices = [150000, 240000, 360000]
3
4price_per_m2 = 1000 # um palpite inicial ruim
5for round_number in range(1, 6):
6 errors = [price_per_m2 * size - price for size, price in zip(sizes, prices)]
7 average_error = sum(errors) / len(errors)
8 print(f"rodada {round_number}: estimativa {price_per_m2:.0f}, erro médio {average_error:.0f}")
9 price_per_m2 -= average_error / 100 # ajuste com base no errorodada 1: estimativa 1000, erro médio -166667 rodada 2: estimativa 2667, erro médio -27778 rodada 3: estimativa 2944, erro médio -4630 rodada 4: estimativa 2991, erro médio -772 rodada 5: estimativa 2998, erro médio -129
Testes com dados que o modelo não viu
Um modelo que acerta 100% dos exemplos estudados pode simplesmente tê-los memorizado, como uma pessoa que decorou as respostas da prova do ano passado. Para descobrir se realmente aprendeu, escondemos uma parte dos dados.
Antes do treinamento, dividimos o conjunto de dados: normalmente, 70% a 80% para treino e o restante para teste. O modelo nunca vê os dados de teste durante o aprendizado; o resultado nesses dados ajuda a estimar como ele se sairá no mundo real.
Há duas formas de falhar:
- Subajuste: o modelo é simples demais para aprender o padrão. O resultado é ruim nos dados de treino e de teste.
- Sobreajuste: o modelo memoriza os dados de treino, inclusive o ruído. O resultado é ótimo no treino e ruim no teste.
Experimente
Até 15 XPVeja o sobreajuste acontecer
Os pontos preenchidos são dados de treino; os vazios foram reservados para teste. Aumente a complexidade da curva (seu grau), começando em 1. No grau 1, a reta é simples demais e apresenta subajuste. Continue: o erro de treino cai até o grau 9. Em qual grau o erro nos pontos reservados para teste é menor?
Erro de treino
0.378
Erro de validação
0.277
Subajuste: o modelo é simples demais para acompanhar a curva.
Principais conclusões
Características são as entradas; o rótulo é a resposta que queremos prever.
Aprender é um ciclo: prever, comparar, medir a perda, ajustar e repetir.
Sempre avalie o modelo com um conjunto de teste que ele não usou para aprender.
Sobreajuste é memorizar os dados de treino; subajuste é usar um modelo simples demais para aprender o padrão.
Quiz da aula
6 perguntas · aprovação com 5 acertos · até 50 XP
Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.
Pratique: escreva código em Python
Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.
Divida os dados
A primeira linha contém a proporção de treino (por exemplo, 0.8). Cada linha seguinte é um exemplo. Mantenha a ordem: os primeiros int(quantidade * proporção) exemplos são de treino; os demais são de teste. Imprima treino: N, teste: M e depois cada exemplo de teste em uma linha.
- Dez linhas
- Sete linhas
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Diagnostique o modelo
Cada linha tem o formato nome acuracia_treino acuracia_teste (em porcentagens). Para cada modelo, imprima nome: subajuste se as duas pontuações forem menores que 70; nome: sobreajuste se a pontuação de treino for mais de 10 pontos superior à de teste; caso contrário, imprima nome: bom.
- Três modelos
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Dúvidas sobre esta lição
Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.
Carregando publicações…