Avaliar Modelo
Avalia resultado da aplicação de um modelo em dados de teste.
Conectores
| Entrada | Saída |
|---|---|
| Dados a serem avaliados e modelo de aprendizado. | Não tem |
Tarefa
Nome da Tarefa
Aba Execução
| Parâmetro | Detalhe |
|---|---|
| Atributo usado para predição | Nome dado durante a aplicação do modelo ao atributo usado para avaliar a predição |
| Atributo usado como label | Rótulo do atributo que contém a classe real |
| Métrica usada para avaliação | Nome da métrica de avaliação que será usada |
Definições
Métricas usadas para avaliação
Existem as seguintes métricas para realização a avaliação do modelo:
- Area under ROC
- Area under PR
- F1
- Weighted Precision
- Weighted Recall
- Accuracy
- Root Mean Squared Error
- Mean Squared Error
- Mean Absolute Error
Exemplo de Utilização
Objetivo: Classificar o tipo de íris da planta dado os atributos de pétala e sépala.
Base de Dados: Íris
Adicione uma base de dados por meio da operação Ler dados.
Na operação Converter categórico para numérico, selecione “class” no campo Atributos. Preencha “class_label” no campo Nome para novos atributos indexados.
Na operação Divisão Percentual, selecione 30%-70%.
Adicione a operação Naive Bayes, selecione “petal_length”, “petal_width”, “sepal_length” e “sepal_width” no atributo Atributo com features e “class_label” no Atributo com rótulo.
Adicione a operação Aplicar modelo, selecione “petal_length”, “petal_width”, “sepal_length” e “sepal_width” no campo Atributos com as features e preencha “prediction” no campo Nome do novo atributo.
A ferramenta Aplicar modelo tem como objetivo retornar o resultado da aplicação de um modelo (neste exemplo, um modelo de classificação) em um conjunto. Este resultado é representado por predições feitas em um conjunto de dados de teste.Adicione a operação Avaliar Modelo selecione “prediction” no campo Atributo usado para predição, “class_label” no Atributo usado como label, “acurácia” em Métrica usada para avaliação.
Execute o modelo e observe os resultados.
Os resultados são satisfatórios para este tipo de classificador, uma vez que no conjunto de dados temos classes que não são linearmente separáveis. O foco, no entanto é exemplificar a aplicação de um determinado modelo em um conjunto de dados de teste.
Dúvidas e/ou sugestões envie um e-mail para suporte@lemonade.org.br