Como foi realizada a validação?

A validação em aprendizagem automática é realizada para avaliar a qualidade do modelo e prevenir o sobreajuste. Os principais métodos:

• Divisão de dados em conjuntos de treino e teste — método básico onde o modelo é treinado em uma parte dos dados e testado em outra.
• Validação cruzada (Cross-validation) — os dados são divididos em várias partes (folds), o modelo é treinado em todas menos uma, e testado na restante; esse processo é repetido para todas as partes, e os resultados são médios.
• Conjunto de reserva (Hold-out set) — um conjunto separado de dados é reservado, que não é usado nem para treino nem para ajuste de hiperparâmetros, apenas para avaliação final.

Exemplo de validação cruzada em Python usando scikit-learn:

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

X, y = load_iris(return_X_y=True)
model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)  # validação cruzada de 5 dobras
print(f"Precisão média: {scores.mean():.2f}")

Este método ajuda a obter uma avaliação mais confiável da qualidade do modelo e a escolher os parâmetros ótimos.