Métodos preditivos
Métodos preditivos são técnicas usadas na ciência de dados e no aprendizado de máquina para fazer previsões sobre eventos futuros ou para classificar dados em diferentes categorias com base em padrões e informações disponíveis nos dados de treinamento.
Regressão
A regressão é um método preditivo usado quando queremos prever valores numéricos contínuos. Ele estabelece uma relação entre as variáveis independentes (características) e a variável dependente (valor a ser previsto). O modelo de regressão encontra a melhor linha ou curva que se ajusta aos dados de treinamento para estimar valores desconhecidos com base nessas relações.
Alguns exemplos que utilizam a técnica de regressão:
-
Gastos ou propaganda -> valor de venda
-
Temperatura, umidade, pressão do ar -> velocidade do vento
-
Fatores externos -> valor do dólar
-
Resultados do exame -> probabilidade de um paciente sobreviver
-
Risco de investimento
-
Gastos no cartão de crédito, histórico de dados -> limite do cartão de crédito
-
Valores anteriores -> valores futuros de produtos
As previsões (valor de venda, velocidade do vento, etc) são todos necessariamente valores numéricos.
Classificação
A classificação é outro método preditivo usado para atribuir objetos ou dados a diferentes categorias predefinidas com base em suas características. O algoritmo de classificação é treinado com um conjunto de dados rotulados, em que as classes já são conhecidas. O objetivo é aprender padrões a partir dos dados de treinamento para classificar novos dados em uma dessas classes. Alguns algoritmos de classificação comuns são árvores de decisão, máquinas de vetores de suporte (SVM) e k-vizinhos mais próximos (KNN).
Alguns exemplos que utilizam a técnica de classificação:
-
Marketing direto (estratégias de marketing focadas em promover produtos ou serviços usando ações diretas para um público específico.)
-
Insatisfação de clientes
-
Risco de crédito
-
Filtros de SPAM
-
Separação de notícias
-
Reconhecimento de voz
-
Reconhecimento de face
-
Previsão de doenças