Este livro apresenta uma abordagem prática para comparar modelos de machine learning por meio de testes A/B e análise estatística. Utilizando a base de dados Iris, dois modelos clássicos, Regressão Logística e Árvore de Decisão são treinados e avaliados com o objetivo de identificar qual deles apresenta melhor desempenho. A divisão controlada dos dados permite aplicar um teste A/B realista, onde cada modelo é testado em subconjuntos distintos, simulando um cenário de tomada de decisão baseada em desempenho.
Além da simples comparação por acurácia, a obra demonstra como construir uma tabela de contingência com acertos e erros e aplicar o teste qui-quadrado para verificar a significância estatística dos resultados. O leitor é guiado de forma clara e objetiva, sem exigir conhecimentos avançados, desenvolvendo habilidades essenciais para validar escolhas de modelos com base em evidências e não apenas em intuições ou métricas superficiais.
Número de páginas | 105 |
Edição | 1 (2025) |
Formato | A5 (148x210) |
Acabamento | Brochura c/ orelha |
Tipo de papel | Couche 90g |
Idioma | Português |
Tem algo a reclamar sobre este livro? Envie um email para atendimento@clubedeautores.com.br
Faça o login deixe o seu comentário sobre o livro.