Machine Learning / AI

Qual é a diferença entre regularização L1 e L2 em modelos lineares?

Qual é a complexidade da solução analítica da regressão linear e quando ela é instável?

Explique a diferença entre uma árvore de decisão e uma floresta aleatória.

O que é o critério de Gini e como é utilizado na construção de árvores de decisão?

Numa amostra desequilibrada, o recall do modelo é de 100% e a precisão de 1%. O que aconteceu?

O que é PCA (método de componentes principais)?

O que acontece se o limiar de classificação for demasiado baixo?

Descreva como funciona o método de vetores de suporte (SVM) e sua relação com modelos lineares.

Pode explicar como exatamente o F1-score é calculado através de precisão e recall?

Qual é a função de perda usada na regressão linear?

Como é que a profundidade da árvore afeta a qualidade do modelo e a sua capacidade de generalização?

Pode explicar com mais detalhes o que são precisão e recall e como eles estão relacionados com a pontuação F1?

O que é a curva ROC e como ela é usada para avaliar classificadores?

Por que motivo escalar as características e quais os métodos de escalonamento existentes?

O que são recall e precision?

Como melhorar o desempenho de um modelo linear ao trabalhar com variáveis categóricas?

Como é que a métrica F1-score ajuda em tarefas com classes desequilibradas?

Por que é possível obter um ROC-AUC de 0,8 em um modelo com ROC-AUC de 0,2?

O que converte a velocidade do modelo em uma etiqueta de classe?

Pode explicar exatamente como é calculado o critério de Gini e como ele influencia a escolha da divisão numa árvore de decisão?