Galera, nesse vídeo eu compartilho com vocês um dos principais erros que eu noto em entrevistas técnicas para cargos de cientistas de dados ou profissionais de Machine Learning: O uso de uma métrica independente de limiar em modelos de classificação. E esse erro eu não vejo só nos candidatos, eu vejo em tutoriais, em cursos, em vídeos, e é justamente entender esse tipo de conceito que faz com que saber programação não seja o suficiente para se tornar um profissional disputado em Machine Learning: O código roda, sem erros, tudo funciona, mas da forma como você fez, o seu modelo, o seu estudo tem utilidade? Como esse resultado pode ser usado para ajudar a área demandante?
No fim do dia, o que importa é ter um resultado útil, que outras pessoas possam usar e tomar melhores decisões. E se não utilizarmos as métricas corretas, todo nosso esforço de desenvolvimento pode ir pro lixo. Não otimizar um modelo usando uma métrica indepente de limiar é justamente um caso que pode jogar todo desenvolvimento fora.
Vocês já tinham ouvido falar desse conceito? Quais são suas métricas favoritas para modelos de classificação?
#descomplicandomachinelearning #machinelearningdescomplicado #cientistadedados #ciênciadedados #machinelearning #inteligênciaartificial #rafinhadosdados #cursodatascience #cursomachinelearning #datascience #dataanalyst #artificialintelligence #datascientist #modelagemmachinelearning #metricas #auc #roc #aucroc #limiar
19 сен 2024
