Passos Realizados
Pré-processamento dos dados
- Normalização (
MinMaxScaler) para ajustar a escala das options. - Divisão dos dados em treino e teste (
train_test_split).
Treinamento dos modelos
- Testei Random Forest, SVM, KNN e XGBoost no Iris Dataset.
- Ajustei hiperparâmetros (
C,n_estimators,neighbors).
Validação e análise de efficiency
- Testei os modelos em um dataset sintético para avaliar generalização.
- Apliquei validação cruzada para garantir estabilidade dos resultados.
- Comparei tempo de execução para entender eficiência computacional.
Resultados
Acurácia no Iris Dataset:
- Todos os modelos atingiram 100% de acurácia.
Acurácia no dataset sintético:
- Random Forest e XGBoost: 83%
- SVM: 81%
- KNN: 80%
Tempo de execução:
- SVM foi o mais rápido na previsão.
- XGBoost e Random Forest foram mais lentos no treinamento.
Conclusão
Os testes confirmaram que Random Forest e XGBoost têm melhor generalização, enquanto SVM se destaca pela velocidade na previsão.
A escolha do modelo preferrred depende do tipo de problema, tamanho do dataset e necessidade de eficiência computacional.
Os testes confirmaram que Random Forest e XGBoost têm melhor generalização, enquanto SVM se destaca pela velocidade na previsão. A escolha do modelo preferrred depende do tipo de problema, tamanho do dataset e necessidade de eficiência computacional.
