UMA ANÁLISE COMPARATIVA DAS TÉCNICAS DE MACHINE LEARNING
Regressão Logística, Árvores de Decisão, Random Forest e SVM.
Resumo
Este artigo científico tem como objetivo realizar uma análise comparativa detalhada das técnicas de Machine Learning mais populares: Regressão Logística, Árvores de Decisão, Random Forest e SVM. Através de uma revisão abrangente da literatura atualizada, exploramos as principais características, vantagens e desvantagens de cada algoritmo, além de fornecer exemplo práticos de sua aplicação. A escolha do algoritmo de Machine Learning adequado é crucial para o sucesso de um projeto de pesquisa ou aplicação prática. Portanto, este estudo busca fornecer um panorama abrangente dessas quatro técnicas, com base em referências de renomados autores como Stuart Russell, Tom Mitchell e Yoshua Bengio. Iniciamos o artigo apresentando uma visão geral de cada algoritmo, descrevendo seus princípios fundamentais e os tipos de problemas para os quais são mais adequados. Em seguida, aprofundamos a análise, destacando as vantagens e desvantagens de cada técnica. Discutimos aspectos como a interpretabilidade dos modelos gerados, a capacidade de lidar com grandes volumes de dados, a sensibilidade a outliers e a facilidade de implementação. Além disso, fornecemos exemplos práticos de aplicação de cada algoritmo em diferentes domínios, como saúde, finanças e reconhecimento de padrões. Esses exemplos ilustram as capacidades e limitações de cada técnica, permitindo aos pesquisadores e profissionais uma compreensão mais clara de qual algoritmo se adequa melhor às suas necessidades específicas. Ao final do artigo, apresentamos uma síntese das principais conclusões e recomendações para auxiliar os leitores na escolha adequada do algoritmo de Machine Learning em seus projetos. Esperamos que esta análise comparativa forneça uma referência valiosa para a comunidade científica e profissional, contribuindo para o avanço do campo de Machine Learning e facilitando a tomada de decisões nessa área em constante evolução.
Referências
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction (2nd ed.). Springer. Disponível em: <https://link.springer.com/book/10.1007/978-0-387-84858-7>. Acesso em: 1/01/2023.
Bengio, Y. Goodfellow, I. Courville A. (2016). Deep Learning. MIT Prees Book. Disponível em: < http://imlab.postech.ac.kr/dkim/class/csed514_2019s/DeepLe-arningBook.pdf>. Acesso em: 1/01/2023.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. Disponível em: < http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf>. Acesso em: 1/01/2023.
Duda, R. O., Hart, P. E., & Stork, D. G. (2000). Pattern classification (2nd ed.). Wiley. Springer. Disponível em: <https://link.springer.com/article/10.1007/s00357-007-0015-9>. Acesso em: 1/01/2023.
Gonzalez, R. C., & Woods, R. E. (2008). Digital image processing (3rd ed.). Pearson. Disponível em: <https://dl.icdst.org/pdfs/files4/01c56e081202b62bd7d3b4f8545775fb.pdf>. Acesso em: 1/01/2023.
Michel, T. (1997). Machine Learning. Editorial reviews. Disponível em: <https://www.cin.ufpe.br/~cavmj/Machine%20-%20Learning%20-%20Tom%20Mitchell.pdf >. Acesso em: 1/01/2023.
Russell, Stuart Jonathan, Inteligência artificial / Stuart Russell, Peter Norvig; tradução Regina Célia Simille. – Rio de Janeiro: Elsevier, 2010. Disponível em: < https://www.cin.ufpe.br/~gtsa/Periodo/PDF/4P/SI.pdf >. Acesso em: 1/01/2023.
