Aprendizado Supervisionado

Aprendizado supervisionado é o tipo de machine learning em que o modelo aprende com exemplos rotulados: cada entrada vem acompanhada da resposta correta. É o tipo mais comum de machine learning.

Como funciona

• Reúne-se um conjunto de exemplos com a resposta certa, como fotos marcadas “gato” ou “cachorro”.
• O modelo faz previsões e compara com a resposta correta.
• O erro é usado para ajustar o modelo.
• Depois do treino, ele é testado com dados novos.

Dois grandes tipos de problema

• Classificação: prever uma categoria, como spam ou não spam.
• Regressão: prever um número, como o preço de um imóvel.

Algoritmos comuns

• Regressão linear e logística.
• Árvores de decisão e florestas aleatórias.
• k-NN (k vizinhos mais próximos).
• Máquinas de vetores de suporte (SVM).
• Redes neurais.

Limites

Rotular dados custa tempo e dinheiro, e um modelo treinado com rótulos errados ou enviesados aprende o erro. Também há o risco de overfitting.

Perguntas frequentes

Qual a diferença para o não supervisionado? No não supervisionado, os dados não têm rótulos e o modelo busca grupos e padrões sozinho.

Spam é supervisionado? Sim, o filtro aprende de e-mails marcados como spam ou não.

Precisa de muitos dados rotulados? Em geral sim, embora o transfer learning ajude a reduzir.

Termos relacionados

Aprendizado não supervisionado, Aprendizado por reforço, Regressão.

« Voltar Para Glossário