Parabéns vc é muito bom, simples e direto! obrigada

Olá! Didático o teu vídeo...só estou me questionando sobre a limpeza que fez nos dados. Talvez o link informado na bio tenha mudado o dataset nos dias atuais. Fiz o mesmo filtro mencionado no vídeo (Country == United States e DB == SQL Server) e quantidade de linhas foi diferente, inclusive com outliers que interferem totalmente no resultado.

obrigado pelo teu vídeo mano! estou fazendo meu tcc em DSA e você soube explicar de uma forma muito didática.

Maravilhoso!!! Parabéns pela explicação!! Obrigado! <3

1e6 é o multiplicador 1.000.000, assim, 0,25 é 250.000

Muito bom. Obrigado

Tem outra maneira de transformar estas variáveis categóricas sem com o dummies?

adorei o teu vídeo obrigada muito

incrível a qualidade do seu conteúdo

Aguardando o vídeo sobre regressão simbólica.

Que tal fazer um vídeo sobre a validação cruzada K-Fold? Vai abrilhantar ainda mais o conhecimento de todos. Mais uma vez, obrigado!

Mais um vídeo incrível. Me ajudou muito. Muito obrigado!

Vídeo curto mas muito top... muito bom Rafa 👏🎉

Rafa quais colunas vc comparou na regressão múltipla? Eu só entendi país e salário...

Olá, estou seguindo o passo a passo e utilizando o dataset disponibilizado, porém na parte do feature scalling da erro: import pandas as pd import sklearn.model_selection as ms import matplotlib.pyplot as plt import numpy as np from sklearn.metrics import confusion_matrix, accuracy_score from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler dataset = pd.read_csv("/content/framingham_heart_disease.csv") dataset = dataset.dropna() X = dataset.iloc[:, -1].values y = dataset.iloc[:,-1].values x_train, x_test, y_train, y_test = ms.train_test_split(x, y, test_size = 1/5, random_state=0) sc_x_train = StandardScaler() sc_x_test = StandardScaler() x_train = sc_x_train.fit_transform(x_train) x_test = sc_x_test.fit_transform(x_test) ValueError Traceback (most recent call last) <ipython-input-34-fd7fc91dcdc9> in <cell line: 4>() 2 sc_x_test = StandardScaler() 3 ----> 4 x_train = sc_x_train.fit_transform(x_train) 5 x_test = sc_x_test.fit_transform(x_test) 5 frames /usr/local/lib/python3.10/dist-packages/sklearn/utils/validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, estimator, input_name) 900 # If input is 1D raise error 901 if array.ndim == 1: --> 902 raise ValueError( 903 "Expected 2D array, got 1D array instead: array={}. " 904 "Reshape your data either using array.reshape(-1, 1) if " ValueError: Expected 2D array, got 1D array instead: array=[0. 0. 0. ... 0. 0. 0.]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

Cara, que dinâmica maravilhosa, aprender junto contigo no vídeo é simplesmente muito bom, parabéns!

Tem algum Vídeo de clusterizacao?

random_state = 0 serve para que? Não pode fazer sem ele?

Excelente vídeo! Parabéns!

Olá Rafa, chegando agora no teu canal ... belo conteúdo, já dei meu like! Gostei que deixou os links para o dataset utilizado, ajuda a muito a reproduzir o teu caminho e entender bibliotecas, módulos, métodos e comandos. A sintaxe clara e os comentários disponibilizados no código são uma excelente prática e ajuda muito que outros entendam o que o código está fazendo, mantenha essa conduta em teus projetos. Acho que faltou comparar o modelo predito pela ML com um modelo de regressão de um software que faz ajustes. Seria bom fazer essa comparação, vou tentar reproduzir a regressão desses dados e comparar com o ajuste do software SCIDAVIS, e ver o poder de predição do modelo. Valeu pelo trabalho, continue compartilhando e abraços. Ahh ... aquele valor que aparece no eixo y, 1e6, é a potência dos números, está tudo ok.

Meu amigo, após estudar bastante sua explicação, gostaria de fazer uma pequena contribuição. No momento 14:35 você explica que o número 3, na matriz de confusão, é um falso negativo. Considerando que, como ele deveria ter dado falso, mas deu positivo, ele se encaixaria em um falso positivo. Concorda? Se eu estiver errado, me avise por favor. Grande abraço!

Muito bom qual ide é essa ai ?

És o melhor! Salvou a minha vida. Quando vier para Floripa me avise: te pago uma cerveja. 😂

Boaaa!! Parabéns fera.. simples e objetivo.. Show!

7:58 por favor, faça a errata também em áudio

Muito legal Rafa! Dataset e aplicação simples, mas muito didático e ilustrativo!

Show

Estava me matando pra entender melhor isso e você clareou muito com sua explicação. Continue assim, sucesso meu amigo !!!

Parabéns pelo vídeo

No site de dataset tem apenas excel e nao o csv

Está funcionando assim pra mim , primeiro aprendo a prática e conforme o processo aprendo a teoria .

Eu queria fazer assim.... simular colocando as variáveis e y dar o valor do salário

Seu vídeos são excelentes

Você considerou como padrão o ponto de corte de 50% (cutoff), mas poderia ter utilizado algum comando para procurar o melhor ponto de corte, já fiz isso no R, e quase sempre o melhor ponto de corte não é 0.50, mas outra proporção. Caso queira adaptar para o python, segue o código: library(pROC) auc <- roc(df$y, pred, plot=TRUE, col="#377eb8", lwd=4,print.thres = T,print.thres.pattern="%.4f",percent=TRUE)

Esses códigos podem ser usados no R?

Quando você vai fazer um vídeo sobre Modelagem de Equações Estruturais?

Depois desse video descobri que estou velho, Titanic filme de velho foi foda, kkkkkkkkkkkkkkkk

Show... Vi o SMV em minha Graduação em Cientista de Dados... Quase, não Este esse Material, no Brasil... Analisar os Dados em Múltiplas Dimensões, ou seja n dimensões, muito Sinistro... Muito Bom, Obrigado...

Ótimo vídeo Rafa, me ajudou muito em um projeto em que eu preciso explicar o SVM! Ganhou mais um inscrito! Sucesso!

oi. qual ide vc esta usando?

10 Rafa ...

Trying to use linear regression to predict risk credit, how to solve this erro? "x and y must be the same size"

Opa Rafa, parabéns pelos vídeos, pela disponibilidade em passar conhecimento. Continue. Sua didática é boa. Uma humilde sugestão seria trocar a IDE. O Spyder não é didático. Vai pro Jupyter ou Colab, pois numa visão sequencial de input e output, é mais fácil de entender. Além disso, ao final do modelo, se puder, mostra as métricas (acurácia, recall, f1score, curva roc, etc) e como analisar. Seria ótimo. Abs.

Boa tarde poderia fazer com base de dados de doenças cardiacas

Ótimo video.

Olá Rafael. Muito bom o vídeo e as explicações. Obrigado por compartilhar seu conhecimento!

Como você faria pra avaliar seu modelo de teste?

poderia disponibilizar o dataset com os dados enxutos?

Muito bacana, ficou fácil de entender como aplicar. Muito obrigado, continue assim!!

Primeiramente agradeço pela sua explicação, era exatamente isso que eu estava procurando, é muito bom ver estudos em português, foi bem didático. Tenho uma curiosidade, todo esse treinamento gerou uma função matemática com a função da sigmóide, você sabe se é possível conseguir essa fórmula gerada para poder usar no LaTeX?