Forum Replies Created
- Posts
Olá Shin,
Não entendi bem o que você quer fazer, se a ocupação tem 5 tarefas, o peso não seria simplesmente 100/5 = 20%?
Olá Victor,
Na medida do possível sim, caso contrário seu modelo vai ficar mais especializado em apenas uma das classes.
Olá Fabio,
Há um tempo atrás eu escrevi um artigo sobre a conclusão de um pesquisador, mas te confesso que na prática eu acho essa recomendação de pouco valor. Assim como qualquer hiperparâmetro de um modelo, o número ideal acaba sendo descoberto mais na base da tentativa e erro do que partindo de premissas.
Olá Caio,
Quase que certeza que é problema de encoding, tente checar qual é a codificação do arquivo original. Eu uso o program Notepad++ pra isso, dá pra padronizar nele a codificação para UTF-8, isto tende a resolver os problemas.
Olá Luiz,
O Scikit-learn tem um módulo chamado MLPClassifier (multi-layer perceptron), dá uma olhada na documentação: https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html
Olá André,
É um multiplicador de valor menor do que 1 que usamos para que o aprendizado não seja “muito rápido”, sem aplicar esse multiplicador a atualização dos pesos dá pulos muito grandes e corremos o risco de perder o ponto do treinamento onde está o mínimo global.
Olá André, não tem um nome, ela foi criada no início do desenvolvimento das redes neurais e é a forma mais simples de atualizar os pesos.
Olá Jeiverson,
Suas colocações estão corretas, mas a ideia por trás da roleta viciada é de selecionar o indivíduo na posição onde o valor sorteado está mesmo, não o mais próximo. Pense como uma roleta física mesmo, quando a gente gira, a escolha vale para onde a flecha está apontando, não para a fatia mais próxima. O
valor_sorteadonada mais é do que a posição da flecha, e nós usamos o restante do código para determinar quem é o indivíduo presente naquela porção da roleta.Olá Adauto,
No caso de valores categóricos, você pode optar por usar o valor mais frequente. Você descobre isso selecionando a coluna e usando o método
value_counts:base_census['income'].value_counts()Neste caso, o valor mais frequente é “<=50K”.
Então, você filtra a coluna para os valores faltantes e passa o novo valor:
base_census['income'][base_census['income'].isna()] = "<=50K"Veja que essa expressão está dentro de um loop for, onde o valor de
imuda a cada loop.iindica o número da linha em convites, começa na primeira e vai até o final. Então, em cada loop,conexoes['Full Name']tem que ser igual aconvites['From']na linha/posiçãoi. Se for, isto retornaTrue. econexoes[conexoes[‘Full Name’] == convites[‘From’][i]]vai retornar as linhas inteiras deconexoesque cumprem o critério. Aí, nós usamos['Company']pra filtrar só esta coluna (nome da empresa),valuespara converter para numpy array e o índice[0]para recuperar a primeira entrada deste array.Se te ajudar a entender, desmonte essa linha e printe os resultados passo a passo:
tmp = conexoes[‘Full Name’] == convites[‘From’][i] print(tmp) tmp = conexoes[tmp] print(tmp) tmp = tmp['Company'] print(tmp) tmp = tmp.values print(tmp) company = tmp[0] print(company)
Você precisa trocar os parênteses por colchetes na definição de semstop:
(p for p in palavras.split() if p not in stopwordsnltk)=>[p for p in palavras.split() if p not in stopwordsnltk]Olá Caio.
A expressão dentro dos colchetes externos,
conexoes[‘Full Name’] == convites[‘From’][i], está checando se a informação que consta emconexoes['Full Name']é igual aconvites['From']na linhai. Se for, esta comparação vai retornarTrue, entãoconexoes[conexoes[‘Full Name’] == convites[‘From’][i]]vai resultar ns entradas deconexoesidentificadas comoTrue.Olá Michael,
inté um tipo de dado básico do Python, mas os tipos do Numpy são baseados em C, o que ajuda em questão de performance. Dê uma olhada nesta página da documentação do Numpy: https://numpy.org/doc/stable/user/basics.types.htmlOlá Dorimar,
As frequências nada mais são do que as probabilidades de as categorias ocorrem naquele dataset. Então, em termos de X e y, podemos reescrever o teorema acima da seguinte forma:
P(y/X) = P(X/y) . P(X) / P(y)
Ou seja, a probabilidade de determinada saída em função dos dados de entrada é definida pela multiplicação das probabilidades (ou frequências) dos dados.
