desempenho

Aumentando o desempenho de modelos preditivos com técnicas de Bootstrapping, Bagging, Boosting e Random Forests

Neste artigo exploramos as técnicas de Bootstrapping, Bagging, Boosting e Random Forests com o objetivo de aumentar o desempenho em modelos preditivos. Percorremos o modo de funcionamento de cada técnica e sua aplicação usando linguagem de programação com dados econômicos do Brasil.

MAE, RMSE, ACC, F1, ROC, R2? Avaliação de desempenho de modelos preditivos

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Criando IA Assistant usando Shiny no Python

Como coletar dados de CNPJ da Receita Federal com Python

Como coletar dados para relatórios de câmbio com Python

Sumarizando divulgações trimestrais de empresas usando IA no Python

Prevendo efeitos de mudanças de preços em produtos usando TimeGPT

Coletando dados econômicos e financeiros com o OpenBB no Python

Ficou com alguma dúvida?

Entre em contato com nossa equipe pelo WhatsApp e tire todas as suas dúvidas antes de finalizar sua matrícula.

comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002

Criação Kamus – Hospedagem HostWP