Forum Replies Created
- Posts
Olá Alisson,
Você pode usar o método
transformoufit_transformpara gerar os nomes dos clusters, e depois adicionar uma coluna ao dataframe original com os rótulos dos grupos formados. Mais ou menos assim:grupos = kmeans.fit_transform(X) df['grupos'] = grupos df.to_csv('kmeans.csv')Olá Aislan,
É sobre qual dos problemas tratados no curso? Qual o conteúdo das variáveis que você está manipulando? Como você quer que seja apresentado o resultado final?
Olá Lucas,
Este é um problema de otimização, então você precisa dar uma olhada em algoritmos de otimização. Aqui na IA Academy temos alguns cursos sobre o tema, recomendo começar por este: https://iaexpert.academy/courses/inteligencia-artificial-algoritmos-otimizacao-python/
Olá Fernando,
Não sei dizer, eu acredito que a última versão não está recebendo atualizações por isso os erros na mudança de versão persistem.
Olá Daniel,
A presença de um registro na base histórica não é garantia que o modelo vai retornar o mesmo resultado no modo de predição. Fosse assim, a acurácia no dataset de treinamento seria seria de 100%, e não é o caso. Acontece que os modelos de machine learning começam a aprender a partir de uma situação onde há ausência de conhecimento, e a cada exposição a um dado, eles fazem um pequeno ajuste no sentido de prever a informação que o dado sugere. Mas todo algoritmo tem suas premissas, por exemplo, uma regressão linear vai sempre produzir uma reta, e é possível que a reta no final das contas não inclua exatamente o dado original, mas passe o mais próximo possível que essa limitação (ser uma reta) permite. É por isso que todo modelo tem um erro associado, e às vezes este erro é em decorrência de os dados não atenderem as premissas do algoritmo, como no exemplo, de ser um problema linear.
Se houver dois registros com a classificação diferente, cada um deles vai “puxar” o modelo para o “seu canto”, mas no final das contas, todas as outras instâncias de dados fazem isso, então o resultado final depende do efeito somado de cada uma delas. Não é possível dizer antecipadamente qual predição o modelo vai fazer somente com as informações que você sugere, pois o modelo aprender a partir da coleção de dados somada.
Sobre incluir mais variáveis, você certamente pode, mas os dados usados no treinamento devem ter valores conhecidos para essas variáveis, se não o modelo não tem como levá-la em consideração. Às vezes nós geramos novas variáveis a partir das já existentes, ou seja, é possível gerar a nova variável a partir dos dados de histórico, mas não é possível incluir uma variável para a qual você não conheça, ou não possa coletar, os valores.
Olá ronem,
Os datasets estão na sessão de Introdução do curso: https://iaexpert.academy/topic/recursos-para-download-3/
Olá Flavio,
Você pode plotar só as predições (últimos 10 valores) com o código:
plt.plot(forecast[:-10], y, color='red') plt.plot(forecast[-10:], poly_pred_all[-10:], linestyle='dashed')
Olá Felipe,
Deve haver algum erro na criação da rede, pois a mensagem de erro aponta incompatibilidade no tamanho das camadas ocultas.
Verifique o código correspondente e, se continuar tendo erro, por favor reproduza seu código aqui.
Olá Rafael,
Você vai encontrar todas as bases de dados usadas no curso no link https://iaexpert.academy/topic/recursos-para-download-12/
Olá Leandro,
Parece que as últimas versões do Skorch estão tendo alguns problemas, não sei se a biblioteca está recebendo manutenção dos desenvolvedores. Tenta instalar uma versão mais antiga.
