Seleção de Features com Algoritmo Boruta

Se você já realizou uma boa coleta e limpeza de dados, e quer melhorar ainda mais a acurácia do seu modelo, ou talvez reduzir o seu tempo de treinamento, a Seleção de Features é o caminho ideal para você.
Por meio desse processo é possível selecionar as variáveis mais relevantes para o seu modelo, eliminando as features que não agregam para a predição do problema.
Neste vídeo, o Gabriel mostra como o Algoritmo Boruta pode ser utilizado para selecionar as melhores features para o seu modelo de Machine Learning.
O notebook completo da apresentação pode ser encontrado em: github.com/gabrielhpr/Feature...
Qualquer dúvida, coloque nos comentários e não se esqueça do LIKE e de se INSCREVER no nosso canal.
Até a próxima 🐝

[@hugomichaelis]

Parabéns pelo vídeo!! Estava com dúvidas, mas foi bastante claro. Ótimo conteúdo!

[@carlosbarroso8991]

Muito Bom!!!!!!

[@beedatausp1949]

Obrigado!

[@jsales_84]

Obrigado pelo vídeo. Uma pergunta. É possível proceder o boruta sem preditor (variável resposta)? Eu tenho um conjunto de dados da ocorrência de um fenômeno e gostaria de saber qual variáveis são mais significativas no conjunto de dados.

[@burdenthrive3204]

sem o preditor você não vai conseguir mensurar quais features afetam determinada característica do label

[@gabrielantunes663]

Esse algoritmo não cai no mesmo problema que duas a junção de duas variáveis ruins podem ser boas juntas?

[@burdenthrive3204]

mas aí você teria que criar o máximo de características possíveis e deixar o algoritmo definir a melhor, não tem como ele adivinhar que duas features juntas vão ser boas