Descrição:
O objetivo desse projeto foi realizar ensaio comparativo de diversos algoritmos de machine learning (ML) aplicados às tarefas de classificação, regressão e agrupamento. Para tanto, exploramos os principais conceitos de treinamento, ajuste de parâmetros e limiares entre overfitting e underfitting para os algoritmos trabalhados.
O resultado final do projeto foi um painel mostrando o desempenho comparativo dos algoritmos de ML, a partir da variação dos valores dos principais parâmetros de cada algoritmo, de modo a controlar os estados de overfitting e underfitting.
Ferramentas utilizadas no projeto:
- Linguagens: Python e Scikit-Learn
- Algoritmos de classificação: KNN, Decision Tree, Random Forest e Logistic Regression.
- Algoritmos de regressão: Linear Regression, Decision Tree Regressor, Random Forest Regressor, Polinomial Regressor, Linear Regression Lasso, Linear Regression Ridge, Linear Regression Elastic Net, Polinomial Regressionn Lasso, Polinomial Regression Ridge e Polinomial Regression Elastic Net.
- Algoritmos de agrupamento: K-Means e Affinity Propagation
- Métricas de desempenho: Accuracy, Precision, Recall e F1-Score, R2, MSE, RMSE, MAE, MAPE e Silhouette Score
Repositório do projeto:
Consulte o código e demais detalhes no repositório do projeto no GitHub.