Respostas no Fórum
- Posts
Sua implementação é bastante personalizada, e como debugar código escrito por outros desenvolvedores costuma dar trabalho, nós não temos como oferecer ajuda nestes casos particulares. Entretanto, me parece que você está tentando prever valores numéricos, e a função de perda escolhida é para valores categóricos. Procure utilizar uma função adequada, a mais utilizada nesses casos é RMSE.
Olá Sheila,
Esse tipo de erro geralmente é causado por versão das bibliotecas. Tente instalar uma versão anterior ou posterior do Keras.
Olá Félix,
Não tem como sabermos qual modelo é o mais adequado analisando apenas os dados, machine learning funciona mesmo dessa forma, primeiro você testa vários modelos e escolhe o melhor no final.
Veja que deep learning é um tipo de machine learning (utilizando redes neurais profundas), então as redes convolucionais são ambos.
Existem várias métricas para comparar o desempenho dos modelos, eu costumo dar uma olhada neste link da documentação do Sklearn quando quero lembrar das opções.
Tem razão André, o enunciado não está claro o suficiente, mas é bom lembrar também que as notas para aprovação costumam ser do tipo “maior ou igual”. Ainda assim, o importante é que você entendeu o restante do conteúdo. Vou repassar para corrigir a descrição.
Olá Micael,
É difícil dizer sem inspecionar seus dados, mas nós não temos como analisar projetos particulares. Eu desconfio que tenha a ver com a formatação do arquivo que você está usando, principalmente em relação às aspas. Tente copiar e colar algumas frases da variável
phrases_car2na listatexts, só por garantia. Se der certo, você precisaria inspecionar os textos dephrases_car2pra ver se eles foram importados adequadamente.Se você quiser ajuda para implementar este projeto, entre em contato conosco por email para contratar uma consultoria.
Olá Samuel,
Não é um erro, somente um warning, tanto que o código executou. O warning está dizendo que não foi possível colocar uma data no índice da previsão, por isso os valores são indexados sendo
0o primeiro valor da série temporal, e as previsões são para os 60 próximos períodos começando com1446já que a série termina no índice1445.Olá Igor,
Sim, pois na situação ideal, a rede não iria errar, e os pesos não precisariam ser atualizados mais.
Olá Daniel,
Você está certo, o código apresentado na aula retorna a variância das 3 primeiras instâncias (linhas de
X), não dos 3 atributos. O resultado correto poderia ser obtido também comnp.var(X[:, 0]), np.var(X[:, 1]), np.var(X[:, 2]), ou ainda comnp.var(X, axis=1), que calcula a variância ao longo das colunas do array.Obrigado pela correção!
Olá Heitor,
Loss é uma forma de quantificar quanto o algoritmo está errando nas previsões. Seu valor absoluto não significa muita coisa, ele é só uma medida que o modelo usa para ir melhorando ao longo do treinamento. O importante é que vá diminuindo com as épocas sucessivas, até chegar em alguma situação onde a capacidade do algoritmo aprender está exaurida. É por isso que sua loss está estagnada.
A análise da qualidade do algoritmo é feita depois do treinamento, com as métricas de avaliação. Nesta altura, o valor de loss não quer dizer muita coisa.
Eu não vejo como avaliar isso porque a importância é uma medida dos dados. Seria a mesma coisa que calcular uma média e querer determinar se a média “está boa”.
Acho que você poderia substituir todos os espaços por um underscore, assim o TF-IDF Vectorizer do Sklearn, por exemplo, vai considerar que cada tarefa inteira é uma palavra só.
