Aprendizado supervisionado com Scikit-Learn
Crie e avalie modelos de aprendizado supervisionado, como regressão linear e classificação
Aprendizado supervisionado com Scikit-Learn é uma aula grátis de Python For Kids no CoddyKit. Esta é a aula 2 de 6. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Python For Kids, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Python For Kids inclui 6 aulas no total.
Aprendizado Supervisionado com Scikit-Learn
O aprendizado supervisionado envolve treinar um modelo usando dados rotulados para fazer previsões ou classificar pontos de dados. O Scikit-learn é uma biblioteca Python popular para implementar modelos de aprendizado supervisionado.
Nesta lição, você aprenderá a criar e avaliar modelos de aprendizado supervisionado usando o Scikit-learn.
O que é aprendizado supervisionado?
O aprendizado supervisionado usa dados rotulados, nos quais cada entrada tem uma saída correspondente. O objetivo é aprender um mapeamento entre entradas e saídas.
As tarefas comuns incluem:
- Regressão: Prever valores contínuos, como preços de imóveis.
- Classificação: Prever categorias, como spam ou não spam.
Configurando o Scikit-Learn
Instale o Scikit-learn usando o pip:
pip install scikit-learn
Depois de instalado, você poderá importá-lo e começar a criar modelos.
Regressão linear
A regressão linear é usada para prever valores contínuos. Vamos criar um modelo simples de regressão linear:
# Example: Linear Regression
from sklearn.linear_model import LinearRegression
# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]
model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))Regressão Logística
A regressão logística é usada em tarefas de classificação binária, como determinar se um e-mail é spam ou não.
# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression
# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]
model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))Árvores de Decisão
As árvores de decisão são modelos versáteis capazes de lidar tanto com tarefas de regressão quanto de classificação. Vamos criar um classificador simples baseado em árvore de decisão:
# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]
model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))Avaliando Modelos
O Scikit-learn fornece métricas para avaliar o desempenho dos modelos:
- Erro Quadrático Médio (MSE): Para modelos de regressão.
- Acurácia: Para modelos de classificação.
# Example: Evaluating a model
from sklearn.metrics import mean_squared_error
# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))Separação entre Treino e Teste
Sempre divida seu conjunto de dados em conjuntos de treinamento e teste para avaliar o desempenho do modelo em dados que não foram vistos:
# Example: Train-Test Split
from sklearn.model_selection import train_test_split
X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)Erros comuns no aprendizado supervisionado
Veja alguns erros que você deve evitar:
- Não dividir os dados em conjuntos de treinamento e teste.
- Gerar sobreajuste no modelo usando algoritmos excessivamente complexos.
- Usar dados com rótulos incorretos no treinamento.
O Que Aprendemos?
Nesta lição, você aprendeu:
- Como criar modelos de regressão e classificação usando o Scikit-learn.
- Como avaliar o desempenho dos modelos usando métricas como MSE e acurácia.
- A importância de dividir os dados em conjuntos de treinamento e teste.
- Erros comuns que devem ser evitados em tarefas de aprendizado supervisionado.
Excelente trabalho! Vamos para o próximo tópico.
Perguntas Frequentes
A aula “Aprendizado supervisionado com Scikit-Learn” é grátis?
Sim — o texto completo de “Aprendizado supervisionado com Scikit-Learn” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Python For Kids, atualize para CoddyKit PRO. O curso de Python For Kids inclui 6 aulas no total.
O que vou aprender em “Aprendizado supervisionado com Scikit-Learn”?
Crie e avalie modelos de aprendizado supervisionado, como regressão linear e classificação Você pratica Python For Kids com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Python For Kids?
Nenhuma experiência prévia é necessária. Python For Kids no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 6.
Quanto tempo leva a aula “Aprendizado supervisionado com Scikit-Learn”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Python For Kids?
Sim. Cada aula de Python For Kids inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Introdução ao aprendizado de máquina
- Aprendizado supervisionado com Scikit-Learn
- Aprendizado não supervisionado
- Engenharia e seleção de atributos
- Introdução às redes neurais
- Introdução ao TensorFlow e ao Keras