Você já se perguntou como tunar os hiperparâmetros do CatBoost para obter o melhor desempenho possível? O ajuste de hiperparâmetros é a chave para desbloquear todo o potencial do seu modelo. Mas olhando a documentação do CatBoost, você pode se sentir sobrecarregado com a quantidade de hiperparâmetros disponíveis. Isso acaba hoje! A Optuna é uma biblioteca de otimização de hiperparâmetros poderosa e fácil de usar que pode ajudar a encontrar os melhores hiperparâmetros para o seu modelo CatBoost....

Classificação multiclasse é uma tarefa de machine learning onde o resultado pode pertencer a mais de duas classes ou categorias. Por exemplo, uma fruta pode ser classificada como ‘maçã’, ‘banana’ ou ‘cereja’. Ou um carro pode ser classificado como ‘sedan’, ‘SUV’ ou ‘caminhonete’. Assim como na classificação binária, podemos usar uma variedade de algoritmos para classificar os pontos de dados nessas múltiplas categorias. Esses algoritmos incluem regressão logística, árvores de decisão, random forests, SVMs e algoritmos de gradient boosting como XGBoost....

Está enfrentando dificuldades para interpretar seu modelo de regressão logística e identificar quais features realmente influenciam na previsão da sua variável alvo? Determinar quais features estão influenciando as previsões do seu modelo pode ser frustrante, especialmente quando lidamos com um grande número de variáveis. A situação pode se complicar ainda mais com a presença de features correlacionadas. Neste tutorial, exploraremos diversos métodos para avaliar a importância das features em modelos de regressão logística, tanto para classificação binária quanto para classificação multiclasse....

Índice O Que é NBEATS? Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar a Série Temporal Para o NBEATS Hiperparâmetros do NBEATS n_harmonics n_polynomials stack_types input_size_multiplier learning_rate scaler_type max_steps Como Treinar NBEATS em Python Como Adicionar Variáveis Externas ao NBEATS Baseline Simples Com Sazonalidade Função Objetivo WMAPE no PyTorch O Que é NBEATS? A NBEATS é uma arquitetura de rede neural capaz de prever séries temporais sem depender da criação de features específicas por um especialista....

Prever séries temporais é uma tarefa muito comum no dia a dia de um cientista de dados. Seja prever a demanda futura de um produto, o tráfego de uma cidade ou até mesmo o clima. Com previsões precisas de séries temporais, as empresas podem ajustar suas estratégias de produção, gerenciamento de estoque, alocação de recursos e outras decisões importantes, levando a uma redução significativa de custos e aumento da eficiência....

Índice O Que São Transformers em Deep Learning? Temporal Fusion Transformers Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar a Série Temporal Para o TFT Hiperparâmetros do Temporal Fusion Transformer input_size_multiplier hidden_size n_head learning_rate scaler_type max_steps batch_size windows_batch_size Como Treinar Temporal Fusion Transformers em Python Como Adicionar Variáveis Externas ao TFT Baseline Simples Com Sazonalidade Função Objetivo WMAPE no PyTorch O Que São Transformers em Deep Learning?...

Índice O Que São Redes Neurais Convolucionais? Redes Convolucionais Temporais Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar a Série Temporal Para A Rede Neural Convolucional Hiperparâmetros e Arquitetura da TCN kernel_size dilations input_size_multiplier encoder_hidden_size context_size decoder_hidden_size learning_rate max_steps batch_size Treinamento da Rede Neural Como Adicionar Variáveis Externas à Rede Neural Convolucional Baseline Simples Com Sazonalidade Função Objetivo WMAPE no PyTorch O Que São Redes Neurais Convolucionais?...

A modelagem de séries temporais com deep learning (redes neurais) é uma área em constante evolução. Falar de “redes neurais” pode se referir a vários tipos diferentes de técnicas como redes neurais convolucionais, redes neurais recorrentes, redes neurais tradicionais (MLP) e redes neurais com mecanismo de atenção (transformer). Por isso, primeiro vou te dar uma visão geral dessas técnicas, indicando artigos mais detalhados sobre cada uma e depois vou te mostrar como aplicar uma rede neural tradicional (MLP) para prever séries temporais....

Índice O Que é LSTM (Long Short-Term Memory)? Como Funciona a LSTM? Quando Usar a LSTM? Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar os Dados Para a LSTM Modelagem Automática com AutoLSTM Arquitetura da LSTM Busca Automática por Hiperparâmetros input_size_multiplier encoder_hidden_size encoder_n_layers decoder_hidden_size learning_rate max_steps batch_size random_seed Código de Treinamento da LSTM em Python Análise dos Resultados da Busca Automática LSTM com Variáveis Adicionais Baseline Simples Com Sazonalidade Loss Function Personalizada com PyTorch (WMAPE) O Que é LSTM (Long Short-Term Memory)?...

De todos os tipos de previsão, prever o que ocorrerá no futuro com base em eventos passados pode ser uma das tarefas mais interessantes e desafiadoras. É aí que entra a previsão de séries temporais. Prever uma série temporal começa por supor que os padrões de comportamento observados no passado serão replicados no futuro. Uma das maneiras de fazer estas previsões é usando modelos estatísticos sobre séries univariadas, que é o que você vai aprender neste artigo usando Python....