Introdução ao Aprendizado de Máquina em R

O aprendizado de máquina permite que os computadores aprendam padrões a partir de dados e façam previsões. R oferece várias bibliotecas para aprendizado de máquina, incluindo caret e randomForest.

Carregamento do Pacote Caret

O pacote caret simplifica os fluxos de trabalho de aprendizado de máquina em R.

library(caret)
data(iris)

Divisão dos Dados em Conjuntos de Treinamento e Teste

A divisão dos dados garante uma avaliação adequada do modelo, com treinamento e teste realizados separadamente.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

Construção de um Modelo de Árvore de Decisão

As árvores de decisão classificam os dados dividindo as características em pontos de decisão.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

Treinamento de um Modelo de Floresta Aleatória

As florestas aleatórias aprimoram as árvores de decisão combinando vários modelos.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

Realização de Previsões

Use predict() para fazer previsões com novos dados.

predictions <- predict(rf_model, newdata=testData)

Avaliação da Precisão do Modelo

A precisão mede o desempenho do modelo em dados de teste.

confusionMatrix(predictions, testData$Species)

Ajuste de Hiperparâmetros

Use train() para otimizar os parâmetros do modelo e obter um desempenho melhor.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

Resumo

Nesta lição, você aprendeu:

• Como dividir os dados em conjuntos de treinamento e teste.
• Como construir modelos de árvore de decisão e floresta aleatória.
• Como avaliar o desempenho do modelo e ajustar hiperparâmetros.