05 - Método de aprendizado de máquina não supervisionado

Prévia do material em texto

https://player.vimeo.com/video/426429231
https://integrada.minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/48!/4/22/4/2@0:6.09
	TABELA	1	-	Matriz	Usuário	x	Item
Usuário Item	1 Item	2 Item	3 Item	4
U1 0 5 2 4
U2 1 4 5 1
U3 4 0 2 3
from	surprise	import	SVD
from	surprise	import	Dataset
from	surprise	import	evaluate,	print_perf
#	Carrega	o	dataset	do	Movielens
data	=	Dataset.load_builtin('ml-100k')
data.split(n_folds=3)
#	Algoritmo	do	SVD
algo	=	SVD()
#	Avalia	a	performance	do	Modelo	Gerado
perf	=	evaluate(algo,	data,	measures=['RMSE',	'MAE'])
print_perf(perf)
https://github.com/NicolasHug/Surprise
Análise	 de	 agrupamento,	 ou	clustering,	é	o	nome	dado	para	o	grupo	de	 técnicas
computacionais	cujo	propósito	consiste	em	separar	objetos	em	grupos,	baseando-
se	 nas	 características	 que	 estes	 objetos	 possuem	 (LINDEN,	 2009).	 A	 Figura	 a
seguir	 apresenta	 uma	 ilustração	 de	 como	 é	 aplicado	 técnicas	 de	 agrupamento.
Nesta	Figura,	é	possível	observar	que	existem	3	classes	de	objetos	e	todas	foram
agrupadas,	 de	 acordo	 com	 suas	 características.	 Nesse	 caso,	 o	 atributo	 mais
relevante	seria	a	forma	geométrica.
O	K-Means	é	uma	heurística	de	agrupamento	que	busca	minimizar	a	distância	dos
elementos	em	relação	a	um	conjunto	de	k	centro,	dado	por	χ	=	{x1	,x2	,...,xk	},	de
forma	iterativa.	A	seguir,	é	exemplificado	o	passo	a	passo	para	agrupar	itens	com
esta	técnica.
1.	Escolher	k	distintos	valores	para	centros	dos	grupos	(possivelmente,	de	forma
aleatória);
2.	associar	cada	ponto	ao	centro	mais	próximo;
3.	recalcular	o	centro	de	cada	grupo;
4.	repetir	os	passos	2	e	3	até	nenhum	elemento	mudar	de	grupo.
Eis	um	exemplo	em	python	que	utiliza	k-mens	para	agrupar	itens.	
from	sklearn.cluster	import	KMeans
import	numpy	as	np
X	=	np.array([[1,	2],	[1,	4],	[1,	0],[4,	2],	[4,	4],	[4,	0]])
kmeans	=	KMeans(n_clusters=2,	random_state=0).fit(X)
print	kmeans.labels_
kmeans.predict([[0,	0],	[4,	4]])
print	kmeans.cluster_centers_
https://github.com/felipela/ProcessamentoDados
from	sklearn	import	svm
X	=	[[0,	0],	[1,	1]]
y	=	[0,	1]
clf	=	svm.SVC()
clf.fit(X,	y)
https://www.kaggle.com/