Treinando um modelo de Machine Learning

Esse repositório foi criado para ter um exemplo super simples, como um "hello world" para modelos de Machine Learning.

Preparação do ambiente (MacOS/Linux)

Garanta que você tenha na sua máquina o python>=3.7 e o gerenciador de pacotes pip, e então clone este repositório, mude para o diretório dele, e execute:

$ python3 -m venv .env
$ source .env/bin/activate
$ pip3 install -r requirements.txt

OBS.: Para usuários de Windows, o processo é semelhante, mudando apenas o comando para ativar o ambiente virtual, com: .env/Scripts/activate.bat

Executando o projeto

O projeto foi dividido em três módulos Python (train.py, evaluate.py, predict.py) e um auxiliar para reutilizar alguns métodos.

1. Evaluate

Comece executando esse script, da seguinte forma:

$ python3 evaluate.py

E vá interagindo com o argumento max_depth no arquivo evaluate.py e veja como isso afeta a performance do modelo com os prints das métricas selecionadas no seu terminal.

2. Train Execute esse script, alterando o valor de max_depth para o desejado e executando:

$ python3 train.py

Você perceberá que um novo arquivo tree_classifier.pkl surgiu no seu diretório raiz. É o objeto do modelo serializado, que será reutilizado no momento das predições.

3. Predict Finalmente, esse módulo irá gerar 10 linhas aleatórias em uma array e fará as predições em cima dela, retornando uma lista com o resultado das predições no seu terminal.

Sugestões de próximos passos como estudos

• Plote a importância das variáveis para sua análise
• Faça alguma transformação nas features e veja como a performance é afetada
• Realize uma validação cruzada para verificar se o seu modelo está superestimado
• Pegue um projeto mais desafiador na plataforma Kaggle, e estenda esse trabalho