Inteligência Artificial |
Preparando os Dados para o Modelo
Assim como no KDD, o Machine Learning exige dados limpos, normalizados e livres de inconsistências antes do treinamento de qualquer modelo.
Atributos categóricos costumam ser convertidos em representações numéricas (como one-hot encoding), e atributos numéricos são normalizados para uma escala comum.
Conjuntos de Treino, Validação e Teste
Os dados disponíveis são normalmente divididos em três partes: treino (para ajustar o modelo), validação (para ajustar hiperparâmetros) e teste (para avaliar o desempenho final).
Essa separação evita que o modelo seja avaliado com os mesmos dados usados para treiná-lo, o que daria uma falsa impressão de bom desempenho.
Normalização e Padronização
A normalização reescala os valores de uma variável para um intervalo fixo, geralmente entre 0 e 1, enquanto a padronização transforma os dados para que tenham média zero e desvio-padrão igual a um.
Essas técnicas são essenciais para algoritmos sensíveis à escala das variáveis, como KNN e redes neurais, evitando que atributos com valores maiores dominem o aprendizado do modelo.