Inteligência Analítica N1 - UAM

Prévia do material em texto

SUMÁRIO 
1 INTRODUÇÃO ......................................................................................................... 3 
2 NAIVE BAYES ......................................................................................................... 3 
3. RESOLUÇÃO DO CASO ........................................................................................ 4 
4 CONCLUSÃO .......................................................................................................... 6 
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................... 7 
 
 
3 
 
1 INTRODUÇÃO 
A análise preditiva é uma forma de usar o passado para projetar o futuro do 
seu negócio. 
Não se trata de futurologia, e sim de um cálculo preciso das probabilidades 
em qualquer cenário, com base no processamento de grandes volumes de dados. 
Para isso, essa técnica avançada utiliza tecnologias como a mineração de 
dados, machine learning e inteligência artificial para dar um passo além na 
estatística. 
Ao invés de tirar conclusões sobre ontem, você poderá antecipar tendências e 
prever os comportamentos do amanhã – tudo a partir de um histórico. 
 
2 NAIVE BAYES 
O algoritmo “Naive Bayes” é um classificador probabilístico baseado no 
“Teorema de Bayes”, o qual foi criado por Thomas Bayes (1701 - 1761) para tentar 
provar a existência de Deus. 
Atualmente, o algoritmo se tornou popular na área de Aprendizado de 
Máquina (Machine Learning) para categorizar textos baseado na frequência das 
palavras usadas, e assim pode ser usado para identificar se determinado e-mail é 
um SPAM ou sobre qual assunto se refere determinado texto, por exemplo. 
Por ser muito simples e rápido, possui um desempenho relativamente maior 
do que outros classificadores. Além disso, o Naive Bayes só precisa de um pequeno 
número de dados de teste para concluir classificações com uma boa precisão. 
A principal característica do algoritmo, e também o motivo de receber “naive” 
(ingênuo) no nome, é que ele desconsidera completamente a correlação entre as 
variáveis (features). Ou seja, se determinada fruta é considerada uma “Maçã” se ela 
for “Vermelha”, “Redonda” e possui “aproximadamente 10cm de diâmetro”, o 
algoritmo não vai levar em consideração a correlação entre esses fatores, tratando 
cada um de forma independente (OrgânicaDigital,2019). 
 
4 
 
3. RESOLUÇÃO DO CASO 
No caso proposto foi apresentado um restaurante que possui dois pratos que 
se destacam todos os dias: a feijoada e o filé à parmegiana. 
Pensando em atender aos seus clientes com pratos sempre frescos, além de 
evitar desperdício de alimentos o proprietário fez um estudo durante 14 dias de qual 
prato foi o mais vendido em cada dia, além de os relacionar com a condição 
climática (Previsão x Temperatura x Humidade x Vento). 
Neste caso, devemos ajudar ao proprietário a prever por meio do uso da 
inteligência analítica e com base nos dados históricos das variáveis apresentadas, 
qual a tendência de prato para o próximo dia. 
Claro que para obter um resultado mais assertivo o proprietário precisará 
continuar alimentando essa tabela/base de dados, para que a probabilidade de 
acertar qual a tendência de prato para o próximo dia seja realmente alta. 
A planilha abaixo foi realizada pelo proprietário, e através dela será possível 
identificar qual a tendência de prato para o 15º dia conforme solicitado na descrição 
do caso: 
 
 Previsão Temperatura Humudade Vento Vender 
x->1 chuva frio normal sim parmegiana 
x->2 chuva moderado alta sim parmegiana 
x->3 sol quente alta não parmegiana 
x->4 sol quente alta sim parmegiana 
x->5 sol moderado alta não parmegiana 
x->6 nublado frio normal sim feijoada 
x->7 nublado quente alta não feijoada 
x->8 nublado quente normal não feijoada 
x->9 nublado moderado alta sim feijoada 
x-
>10 chuva frio normal não feijoada 
x-
>11 chuva moderado alta não feijoada 
x-
>12 chuva moderado normal não feijoada 
x-
>13 sol frio normal não feijoada 
x-
>14 sol moderado normal sim feijoada 
x-
>15 sol frio normal sim x 
 
5 
 
Utilizando o algoritimo Naive Bayes, qual é o prato previsto mediante os 
cálculos realizados? 
Para identificar qual a tendência de prato para o próximo dia foi realizada o 
seguinte cálculo: 
Primeiramente foi identificado o valor de cada variável para os dias em que foi 
vendido mais feijoada: 
 
P (SOL | FEIJOADA) = 2/9 ou 22% 
P (FRIO | FEIJOADA) = 3/9 ou 33% 
P (UMIDADE NORMAL | FEIJOADA) = 6/9 ou 66% 
P (VENTO SIM | FEIJOADA) = 3/9 ou 33% 
P (FEIJOADA 14) = 9/14 ou 64% 
P (FEIJOADA 15) = X 
 
Em seguida, para se identificar o valor de X, multipliquei cada variável pelo 
número de feijoadas vendidas/número de dias, ou seja:(2/9 * 3/9 * 6/9 * 3/9) * (9/14) 
= 0,0105. 
Foi realizado o mesmo cálculo para o filé à parmegiana, ou seja. 
 
P ( SOL | FILÉ À PARMEGIANA) = 3/5 ou 60% 
P (FRIO | FILÉ A PARMEGIANA) = 1/5 ou 20% 
P (UMIDADE NORMAL | FILÉ A PARMEGIANA) = 1/5 ou 20% 
P (VENTO SIM | FILE A PARMEGIANA) = 3/5 ou 60% 
P (FILÉ A PARMEGIANA 14) = 5/14 ou 35% 
P (FILÉ A PARMEGIANA 15) = X 
 
Em seguida, para se identificar o valor de X, multipliquei cada variável pelo 
número de filé à parmegiana vendidas/número de dias, ou seja:(3/5 * 1/5 * 1/5 * 3/5) 
* (5/14) = 0,0051. 
Após o uso do algoritmo de Naive Bayes, a tendência de prato para o próximo 
dia (15º dia), é que a feijoada seja mais vendida que o filé à parmegiana. Visto que 
para a feijoada chegamos no valor de (0,0105) e para o filé à parmegiana chegamos 
no valor de (0,0051). 
6 
 
Vale ressaltar que a regra de associação, citada por Castro e Ferrari (2016), 
também se aplica ao caso, pois a cada dia que faz sol, vendem-se x pratos de filé à 
parmegiana e quando chove vendem x pratos de feijoada, o prato pode ser 
associado ao clima. Para que o restaurante possa lidar com uma grande quantidade 
de dados conforme o tempo for passando, a primeira etapa para a construção de um 
banco de dados, como exemplificado pela S.A.S, é continuar alimentando a planilha, 
essa será a base de dados crus do restaurante, e uma base de dados transacional. 
E, posteriormente, através da análise preditiva, ele conseguirá calcular a 
probabilidade do prato que será mais vendido no dia seguinte, ou seja, o restaurante 
irá utilizar os dados históricos registrados pelo proprietário todos os dias com a 
informação da previsão do tempo, assim como foi realizado na resolução do caso 
proposto. Contudo, para tornar a tarefa mais rápida o proprietário pode implementar 
um software para fazer a predição diária de forma automática. Na última, mas não 
menos importante, ele poderá saber o que irá fazer dado que ele já sabe o que 
provavelmente vai acontecer. Essa etapa se chama análise prescritiva. Essas 
funções podem ser realizadas após aplicar um algoritmo que, por exemplo, aplique 
Naive Bayes usando Scikit-learn na linguagem Python, como apresentado pelo Data 
Camp. 
 
4 CONCLUSÃO 
Embora assuma independência entre as features e não proporcione 
estimativa de probabilidade muito boa, o classificador de Naive Bayes é um potente 
modelo de predição. 
Isso porque não necessita de muitos dados, e na prática, funciona mesmo em 
alguns casos onde não há independência entre as features. Por esses motivos, é 
frequentemente implementado em aplicações, desde analise de textos até 
mecanismos de recomendação. 
7 
 
REFERÊNCIAS BIBLIOGRÁFICAS 
OrgânicaDigital – Algoritmo de Classificação Naive Bayes. Disponível em 
https://www.organicadigital.com/blog/algoritmo-de-classificacao-naive-bayes/ Acesso 
em 06 mai. 2021. 
 
CASTRO, Leandro Nunes de e FERRARI, Daniel Gomes. Introdução à 
mineração de dados: conceitos básicos, algoritmos e aplicações. Saraiva. 2016. 
Disponível em: Biblioteca Virtual da Laureate. 
 
DATA CAMP – Naive Bayes Classification using Scikit-learn. Disponível em 
https://www.datacamp.com/community/tutorials/naive-bayes-scikit-learn/Acesso em 
06 mai. 2021. 
 
SAS INSIGHT– Analytics O que é e qual sua importância?. Disponível em 
https://www.sas.com/pt_br/insights/analytics/analytics.html Acesso em 09 mai. 2021.