Revisao Crítica ML
Por: Jefferson Vinicius • 4/12/2018 • Abstract • 532 Palavras (3 Páginas) • 128 Visualizações
-Revisão Crítica-
Jefferson Vinícius da Fonseca e Silva
Programa de Pós-Graduação em Modelagem Matemática Computacional
Centro Federal de Educação Tecnológica – CEFET -MG
Av. Amazonas, 7675, Nova Gameleira, Belo Horizonte, Brasil
jeffersonvinicius@hotmail.com
1 1 Resenha
2 Quando nos propomos a construir uma aplicação de aprendizado de máquina, o primeiro passo é a
3 definição do objetivo a ser alcançado, em seguida buscam-se dados ou características que possuam
4 uma relação qualquer com o objetivo do problema para então buscar o melhor modelo possível que
5 venha a representar a relação entre as características e o objetivo. Para isto, o especialista realiza
6 experimentos e avalia a qualidade da solução proposta.
7 Um critério muito utilizado para definir o quão bom é a solução proposta é avaliar a sua acurácia
8 e sua precisão. Uma constatação que é feita na maioria das soluções fornecidas pelos métodos de
9 aprendizagem de máquina é que aplicações mais assertivas e precisas tendem a ter um grande número
10 de características e um grande volume de amostras. Este grande volume de informações tornam os
11 modelos propostos complexos para a compreensão humana, desta forma, consegue-se chegar a uma
12 solução que resolva o problema de forma satisfatória, baseado em seus critérios de acurácia, precisão
13 ou qualquer outra medida. Contudo, nem sempre é possível compreender de forma clara como se
14 chegou ao objetivo.
15 Assim sendo, observamos aqui uma dicotomia entre modelos mais precisos e modelos interpretáveis.
16 Um modelo pode ser considerado interpretável quando suas decisões podem ser explicadas pelas
17 hipóteses e dados. Levando em consideração as limitações cognitivas dos seres humanos os modelos
18 dever ter um mínimo possível de variáveis e ser possível de ser representado através de um modelo
19 visual.
20 Existem aplicações onde a interpretabilidade não é um requisito fundamental, bastando apenas o
21 modelo ser suficientemente preciso, porém, existem áreas onde entender o processo de como se
22 chegou a determinada resposta é tão ou mais importante quanto a assertividade do modelo. Uma
23 forma de se reduzir o número de variáveis em um modelo e torná-lo mais compreensível é fazer uso
24 de técnicas de seleção de features, que consiste em encontrar as características mais relevantes
...