Machine Learning Models Evaluation

Por que esse estudo

Antes de construir soluções de ponta a ponta para problemas reais, foi importante entender como diferentes algoritmos de Machine Learning se comportam na prática, não só na teoria. Esse estudo comparou o desempenho de vários modelos nas três frentes principais: classificação, regressão e clusterização.

O que foi comparado

Dezenas de configurações de algoritmos testadas nas três frentes (entre elas KNN, Árvore de Decisão, Random Forest, Regressão Linear e Regressão Logística), avaliadas com as métricas adequadas a cada tarefa e comparadas em treino, validação e teste para identificar sinais de overfitting e underfitting.

O que ficou claro

Modelos baseados em árvore (Random Forest, Decision Tree) superaram consistentemente métodos mais simples como KNN e Regressão Linear nas três frentes, mas com mais risco de overfitting se não forem bem regularizados. Não existe um algoritmo "melhor" universal, a escolha certa depende do equilíbrio entre desempenho, interpretabilidade e tempo de treino que cada problema pede.

Resultado