[Denny Ceccon]

Olá Vinícius,

A validação cruzada serve para mostrar a capacidade de generalização do modelo. Suponha que nós façamos validação cruzada com 10 folds, 9 deles tenham ficado com desempenho similar mas o último tenha tido desempenho inferior, isto quer dizer que, dependendo da fração dos dados que utilizemos para treinamento, o desempenho da rede será diferente. No cenário ideal, todos os resultados devem ser parecidos (ou seja, o desvio padrão deve ser pequeno). Por isso não podemos escolher o modelo com melhor desempenho nesta etapa, já que este desempenho é um mero artefato da forma com que os dados foram divididos.

[Denny Ceccon]

Olá Vinícius,

Como neste exemplo só temos 4 registros, então não faz sentido treinar em batches. O erro no final de cada época é a média dos erros individuais, já que usamos np.mean(erroCamadaSaida).

[Denny Ceccon]

Olá Katia,

Quando você faz o ajuste de uma instância de LabelEncoder, esta instância guarda os rótulos no atributo labels_, em ordem crescente. Por exemplo:

y = ['a', 'b', 'a']
le = LabelEncoder()
le.fit(y)
le.labels_
# Output: ['a', 'b']

• This reply was modified 3 years, 3 months ago by Denny Ceccon.

[Denny Ceccon]

Olá Vinícius,

É que no Python, 1/0 e True/False são valores autoconversíveis.

[Denny Ceccon]

É isso mesmo Vinícius, no caso de classificação precisamos de um neurônio para cada categoria, e no caso de regressão, um neurônio para cada variável de interesse.

[Denny Ceccon]

Olá Jonas,

Nas séries temporais, o tamanho do intervalo não importa, desde que ele seja constante e esteja em sequência. Portanto, você pode montar seu dataset com o número de visitas a cada minuto, e treinar o algoritmo desta forma.

[Denny Ceccon]

Olá Renato,

Não tem como informar a rede neural diretamente, mas você pode tratar os dados para tornar essas associações implícitas. Por exemplo, você pode chamar receita/produto de 1,  receita/serviço de 2, despesa/fixa de 3 e despesa/variável de 4, apresentando esses índices em uma única coluna.

[Denny Ceccon]

Olá Edsson,

Estive revisando o material que foi utilizado na elaboração dessa aula e acredito que a forma correta de calcular o risco não-sistemático é subtrair, do risco total, o risco sistemático. O risco total pode ser expressado pela variância de todas as ações no portfólio, e para o risco sistemático nós podemos usar um índice que representa o mercado como um todo, como o próprio BOVA11. Dessa forma, o portfólio que só possui BOVA11 teria risco não-sistemático igual a 0, enquanto que o outro portfólio poderia ter risco não-sistemático negativo, o que suavizaria o seu risco total.

[Denny Ceccon]

Olá Alan,

Geralmente basta converter a imagem para um array (função numpy.array). Dependendo da biblioteca que você use para ler a imagem, até já tem um método to_array() implementado que converte a imagem para um array bi ou tridimensional. Para linearizar o array, basta chamar o método ravel no objeto do tipo numpy array.

[Denny Ceccon]

É isso mesmo, a implementação não deve ser difícil. Cheque a documentação do StratifiedKFold para gerar índices e, se ainda não conhecer, pesquisa como listar e mover arquivos com o Python.

[Denny Ceccon]

Olá Renato,

Acho que você não vai encontrar nada pronto neste sentido, mas você pode implementar uma pipeline que gera índices para a validação cruzada e depois move os arquivos correspondentes para pastas de treinamento e teste. Esta seria uma solução que eu tentaria implementar.

[Denny Ceccon]

Olá Lindomar,

Dá uma olhada na documentação da função print: https://docs.python.org/3/library/functions.html#print

Você pode passar o parâmetro sep='' para não colocar espaço entre as strings.

[Denny Ceccon]

Olá Gilvan,

Pra te falar a verdade eu acho que não vale a pena, porque é difícil definir o que são dois documentos “iguais”. Qualquer espaço a mais, ou falta de acento, ou diferença entre maiúscula e minúscula, vai alterar sua resposta. Se o objetivo é verificar se os dois arquivos são um cópia do outro, você não precisa de redes neurais para isso.

[Denny Ceccon]

O mais provável é algum erro de implementação mesmo. Você poderia tentar simplificar sua arquitetura para debug, e rodar passo a passo pra ter certeza de que os cálculos estão corretos.

Se você só está interessado em um algoritmo funcional, por que não usa alguma biblioteca com a implementação pronta? Para implementações mais simples, poderia utilizar o Scikit-Learn mesmo, ou se quiser ter mais controle sobre a arquitetura poderia usar o Keras.

[Denny Ceccon]

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.

[Author]

Posts