Aplicar Modelo
Aplica o modelo de aprendizado de máquina em um (novo) conjunto de dados (e.g., um conjunto de teste) e retorna o resultado.
Conectores
| Entrada | Saída |
|---|---|
| Dados de teste e modelo de aprendizado | Dados de saída resultantes da aplicação do modelo de aprendizado nos dados de entrada |
Tarefa
Nome da Tarefa
Aba Execução
| Parâmetro | Detalhe |
|---|---|
| Atributo com Features | Atributos que devem ser usados na aplicação do modelo de aprendizado |
| Nome do novo atributo (herdado do modelo) | Atributo contendo as predições do modelo nos dados de teste |
Exemplo de Utilização
Objetivo: Aplicar o modelo criado pelo classificador Random Forest em um conjunto de dados não visto no treinamento de tal classificador.
Base de Dados: Íris
Adicione uma base de dados por meio da operação Ler dados.
Utilize a operação Converter categórico para numérico para converter os valores do atributo classe em valores numéricos. Para isso, utilize “class” no campo Atributos, String como Tipo de indexador e “class_index” como Nome para novo(s) atributos indexados. \
Utilize a operação Divisão percentual para dividir a base de dados em treino e teste. No parâmetro Pesos, calibre-o utilizando 50% dos dados para treinar e 50% para testar.
Na operação Random Forest, selecione “petal_length”, “petal_width”, “sepal_length” e “sepal_width” no campo Atributo(s) previsor(es). Selecione “class_index” no campo Atributo com o rótulo e preencha “resultado” no campo Atributo com a predição (novo). Deixe os demais parâmetros inalterados.
Na operação Aplicar Modelo, selecione “petal_length”, “petal_width”, “sepal_length” e “sepal_width” no campo Atributo(s) previsor(es) e preencha “resultado” no campo Nome do novo atributo (herdado do modelo). Neste exemplo, a operação Aplicar Modelo aplica o modelo produzido pelo Random Forest (neste caso, um modelo de classificação) em um conjunto de dados não visto durante o treinamento de tal algoritmo de aprendizado (i.e., em um conjunto de teste). O resultado desta operação é representado por predições feitas em tal conjunto.
Na operação Avaliar Modelo, selecione “resultado” no campo Atributo usado para predição. Selecione “class_index” no campo Atributo usado como label. E selecione a métrica “F1” como Métrica para avaliação.
Execute o fluxo e visualize o resultado, i.e., a matriz de confusão gerada para as predições do modelo de árvore de decisão e, consequentemente, a tabela representando as métricas de classificação (derivadas da matriz de confusão).
Dúvidas e/ou sugestões envie um e-mail para suporte@lemonade.org.br