Selecionar e personalizar arquiteturas e hiperparâmetros usando uma floresta aleatória
Em geral, modelos mais complexos podem ser personalizados manualmente para aprimorar a eficácia deles. Por meio de exercícios e conteúdo explicativo, vamos explorar como a alteração da arquitetura de modelos mais complexos pode trazer resultados mais eficazes.
Objetivos de aprendizagem
Neste módulo, você vai:
- Descobrir novos tipos de modelo: árvores de decisão e florestas aleatórias.
- Saber como a arquitetura do modelo pode afetar o desempenho.
- Praticar o uso de hiperparâmetros para aprimorar a eficácia do treinamento.
Pré-requisitos
Familiaridade com modelos de machine learning