results-analysis

Análise dos resultados §

Na análise dos resultados de modelos de aprendizado de máquina, várias métricas são utilizadas para avaliar o desempenho do modelo e calcular a distribuição dos resultados, a fim de compreender a consistência do algoritmo. As principais métricas consideradas são: média, desvio padrão, mínima, máxima e coeficiente de variação.

Seguindo as etapas de avaliação vistas anteriormente temos:

Pré-processamento §

Para o presente estudo, considerou-se um conjunto de dados normalizado, proporcionando uma base padronizada para a avaliação dos algoritmos.

Modelagem e Inferência §

Resultados após o treinamento de diversos algoritmos de aprendizagem de máquina:

	Arvore	Random forest	KNN	Logistica	SVM	Rede neural
0	0.9870	0.9850	0.9815	0.9475	0.9845	0.9975
1	0.9840	0.9830	0.9800	0.9465	0.9840	0.9985
2	0.9905	0.9845	0.9795	0.9470	0.9865	0.9970
3	0.9875	0.9800	0.9780	0.9460	0.9850	0.9965
4	0.9885	0.9830	0.9820	0.9465	0.9850	0.9975
5	0.9890	0.9870	0.9780	0.9465	0.9845	0.9975
6	0.9880	0.9850	0.9805	0.9470	0.9860	0.9970
7	0.9875	0.9860	0.9800	0.9480	0.9850	0.9970
8	0.9870	0.9825	0.9795	0.9465	0.9840	0.9955
9	0.9875	0.9845	0.9820	0.9465	0.9845	0.9970
10	0.9865	0.9850	0.9795	0.9475	0.9840	0.9975
11	0.9900	0.9815	0.9825	0.9480	0.9845	0.9970
12	0.9885	0.9835	0.9825	0.9475	0.9855	0.9980
13	0.9870	0.9860	0.9780	0.9475	0.9855	0.9975
14	0.9840	0.9845	0.9810	0.9485	0.9830	0.9960
15	0.9860	0.9800	0.9790	0.9475	0.9865	0.9980
16	0.9855	0.9840	0.9810	0.9460	0.9860	0.9965
17	0.9905	0.9845	0.9800	0.9470	0.9865	0.9970
18	0.9875	0.9855	0.9805	0.9465	0.9850	0.9970
19	0.9870	0.9840	0.9795	0.9465	0.9845	0.9975
20	0.9850	0.9835	0.9820	0.9465	0.9840	0.9975
21	0.9865	0.9805	0.9825	0.9470	0.9850	0.9975
22	0.9890	0.9820	0.9780	0.9455	0.9865	0.9965
23	0.9870	0.9900	0.9810	0.9465	0.9875	0.9965
24	0.9865	0.9805	0.9795	0.9470	0.9870	0.9975
25	0.9880	0.9845	0.9790	0.9470	0.9820	0.9975
26	0.9880	0.9835	0.9770	0.9475	0.9840	0.9970
27	0.9860	0.9815	0.9785	0.9465	0.9865	0.9970
28	0.9860	0.9850	0.9790	0.9480	0.9835	0.9970
29	0.9880	0.9840	0.9805	0.9465	0.9865	0.9965

Pós-processamento §

Ao aplicar a função describe ao DataFrame com os resultados, é possível analisar as métricas calculadas:

	Arvore	Random forest	KNN	Logistica	SVM	Rede neural
count	30.000000	30.000000	30.000000	30.000000	30.000000	30.000000
mean	0.987300	0.983800	0.980050	0.946950	0.985083	0.997117
std	0.001622	0.002176	0.001533	0.000687	0.001280	0.000611
min	0.984000	0.980000	0.977000	0.945500	0.982000	0.995500
25%	0.986500	0.982625	0.979000	0.946500	0.984125	0.997000
50%	0.987250	0.984000	0.980000	0.947000	0.985000	0.997000
75%	0.988000	0.985000	0.981000	0.947500	0.986375	0.997500
max	0.990500	0.990000	0.982500	0.948500	0.987500	0.998500

Apresentação de Resultados §

Com base nas métricas calculadas, pode-se concluir que o modelo de rede neural apresentou o melhor desempenho. Isso é evidenciado pelo menor desvio padrão, indicando menor margem de erro nas classificações. Além disso, a média das classificações da rede neural é a mais alta, indicando maior precisão em relação aos outros modelos.

Implantação do Modelo e Geração de Valor §

Esses resultados podem ser usados para selecionar o modelo mais apropriado para a aplicação em questão e para direcionar a otimização futura do modelo visando a obtenção de um desempenho ainda melhor.