estou modelando um código igual no jupyter-lab, porém, quando executo Y_rna_previsao = rna.predict(X_norm_test) ocorre o seguinte erro: This MLPRegressor instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
Sua aula me ajudou a entender alguns conceitos na minha pesquisa no mestrado que estou realizando na UEG/Anápolis. Queria saber qual o link para essa aula que vc mencionou no final deste vídeo, na qual ensinaria como utilizar MLP para um problema de classificação?
A normalização é feita nas variáveis explicativas (X), já que alguns modelos de ML tem performance melhor com os dados normalizados. E variável resposta (y) não se aplica a normalização para não "descaracterizar" os dados e/ou gerar vazamento de informação. Note que, quando se realiza a comparação graficamente das previsões geradas pelos modelos fazemos a operação inversa.
OLá, após a inserção de mais variáveis no seu X como fica seu gráfico comparando os algoritmos no final, tendo em vista que agora seu X tem Y tem tamanhos diferentes, o que realmente voce compararia no final ?
Excelente pergunta Guilherme. Neste caso fazemos a comparação através de uma métrica, por exemplo, o R^2 (R-quadrado), veja mais em pt.wikipedia.org/wiki/Coeficiente_de_determina%C3%A7%C3%A3o. Em termos gráficos, a princípio é difícil comparar os dois gráficos quando se utiliza muitas variáveis. Caso tenha duas variáveis de entrada é necessária prever a autonomia no eixo de profundidade (z), acima de três variáveis de entrada não seria possível visualizar a autonomia (quarta dimensão). Entretanto, o que é de praxe fazer é trabalhar com uma variável (peso) e fixar as outras (aceleração, número de cavalos). Isto possibilita gerar o gráfico e comparar os dois métodos.
Coloquei Random_state = 31 no rna e rl. R² RNA: 0.7254569559461865 R² RL : 0.7005267548799164 Eu ainda estou precisando saber: - Quando parar? - Quando está com under e overfitting?
Que aula incrível! Parabéns pela didática, pelo conhecimento(propriedade do assunto transmitida, foi formidável!
Que aula, senhoras e senhores!
Ajudou demais!
Muito obrigado!
Parabéns pelo excelente trabalho. Ganhou mais um inscrito no canal!!!
Excelente aula, parabéns.
Ótimo vídeo! Muito explicativo
ótimo conteúdo.
estou modelando um código igual no jupyter-lab, porém, quando executo Y_rna_previsao = rna.predict(X_norm_test) ocorre o seguinte erro:
This MLPRegressor instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
Sua aula me ajudou a entender alguns conceitos na minha pesquisa no mestrado que estou realizando na UEG/Anápolis. Queria saber qual o link para essa aula que vc mencionou no final deste vídeo, na qual ensinaria como utilizar MLP para um problema de classificação?
Você fez a normalização para os dados X mas não fez para Y. Não deveria aplicar o StandartScaler em ambos os dados?
A normalização é feita nas variáveis explicativas (X), já que alguns modelos de ML tem performance melhor com os dados normalizados. E variável resposta (y) não se aplica a normalização para não "descaracterizar" os dados e/ou gerar vazamento de informação.
Note que, quando se realiza a comparação graficamente das previsões geradas pelos modelos fazemos a operação inversa.
O vídeo para o problema de classificação já está disponível? Abraços
OLá, após a inserção de mais variáveis no seu X como fica seu gráfico comparando os algoritmos no final, tendo em vista que agora seu X tem Y tem tamanhos diferentes, o que realmente voce compararia no final ?
Excelente pergunta Guilherme. Neste caso fazemos a comparação através de uma métrica, por exemplo, o R^2 (R-quadrado), veja mais em pt.wikipedia.org/wiki/Coeficiente_de_determina%C3%A7%C3%A3o.
Em termos gráficos, a princípio é difícil comparar os dois gráficos quando se utiliza muitas variáveis. Caso tenha duas variáveis de entrada é necessária prever a autonomia no eixo de profundidade (z), acima de três variáveis de entrada não seria possível visualizar a autonomia (quarta dimensão). Entretanto, o que é de praxe fazer é trabalhar com uma variável (peso) e fixar as outras (aceleração, número de cavalos). Isto possibilita gerar o gráfico e comparar os dois métodos.
Existe valor de p em redes neurais?
Aula Show!!!
Será que o dataset mudou de lá para cá?
Porque meus R²
deram:
R² RNA: 0.7227126560293362
R² RL : 0.6940760563453443
Coloquei Random_state = 31 no rna e rl.
R² RNA: 0.7254569559461865
R² RL : 0.7005267548799164
Eu ainda estou precisando saber:
- Quando parar?
- Quando está com under e overfitting?
Boa demonstração, porém usou apenas uma variável no X. Seria bom montar um modelo considerando todas as variáveis.