MACHINE LEARNING · CLASSIFICAÇÃO

Transformar dados em categorias.

Classificação é uma tarefa de aprendizado supervisionado na qual o modelo recebe exemplos rotulados e aprende a atribuir uma ou mais classes a novas entradas.

Conhecer os tipos

PREVISÃO DE UMA IMAGEM

Gato72%

Cachorro21%

Coelho7%

Classe escolhidaGato

01 · IDEIA CENTRAL

Classificar não é estimar qualquer número.

O resultado representa uma categoria definida pelo problema.

Classificação

A saída pertence a um conjunto de classes: fraude ou legítima, espécie de flor, nível de risco ou assuntos presentes em um texto.

f(x) → classe, conjunto de classes ou nível

Regressão

A saída é uma quantidade contínua: preço, temperatura, consumo ou duração. Arredondar uma regressão não a transforma automaticamente em um bom classificador.

f(x) → valor numérico contínuo

1. Entradasx₁, x₂, …, xₙ descrevem cada exemplo.

2. EscoresO modelo calcula evidências para as classes.

3. DecisãoUma regra converte os escores em rótulo.

4. AvaliaçãoA previsão ŷ é comparada com o alvo y.

02 · FORMAS DE CLASSIFICAÇÃO

A pergunta determina o formato da saída.

Antes de escolher um algoritmo, verifique quantas classes podem ser atribuídas a cada amostra e se existe ordem entre elas.

Classificação binária

Cada amostra pertence a uma entre duas classes mutuamente exclusivas. Uma delas costuma ser chamada de positiva e a outra de negativa.

spamnão spam

Saída comum: um escore ou uma probabilidade da classe positiva, convertido em decisão por um limiar.

Exemplo

entrada: dados da transação
p(fraude) = 0,82
limiar = 0,60
ŷ = fraude

Classificação multiclasse

Existem três ou mais classes, mas cada amostra recebe somente uma delas. O modelo escolhe a classe de maior escore.

gatocachorrocoelho

Estratégias: alguns algoritmos tratam todas as classes diretamente; outros usam combinações um-contra-restante ou um-contra-um.

Exemplo

P = [0,72; 0,21; 0,07]
argmax(P) = índice 1
ŷ = gato

Classificação multirrótulo

Uma mesma amostra pode receber vários rótulos simultaneamente. Cada rótulo responde a uma pergunta própria: está presente ou não?

praiapessoapôr do sol

Não confunda: multiclasse escolhe uma classe; multirrótulo pode selecionar zero, uma ou várias.

Exemplo

P = [0,91; 0,78; 0,32]
limiar = 0,50
ŷ = [praia, pessoa]

Classificação ordinal

As classes são categorias, mas possuem uma ordem natural. Confundir “baixo” com “médio” costuma ser menos grave que confundir “baixo” com “alto”.

baixomédioaltocrítico

Atenção: atribuir números 1, 2, 3 e 4 não basta. O treinamento e a métrica precisam respeitar a ordem e a distância entre erros.

Exemplo

entrada: sinais clínicos
nível real = alto
ŷ = médio
erro de 1 nível

Uma classe · novidade e anomalia

O modelo aprende a região considerada normal e sinaliza entradas que se afastam dela. É útil quando exemplos da condição rara são poucos ou desconhecidos.

normalfora do padrão

Novidade: o treino contém dados normais limpos. Detecção de anomalias: o conjunto de treino pode já conter alguns pontos anormais.

Exemplo

perfil aprendido: operação normal
nova leitura: muito distante
ŷ = possível anomalia

03 · DA PONTUAÇÃO À CLASSE

O modelo calcula; o limiar decide.

Na classificação binária, um escore contínuo preserva mais informação que a resposta final 0 ou 1.

Exemplo com regressão logística

z = w₁x₁ + w₂x₂ + b
p = σ(z) = 1 ÷ (1 + e⁻ᶻ)

ŷ = 1, se p ≥ limiar
ŷ = 0, caso contrário

O treinamento ajusta os parâmetros. O limiar é uma decisão de operação e pode ser escolhido depois, de acordo com o custo dos erros.

Uma previsão de 0,72

Com limiar 0,50, a amostra é classificada como positiva.

limiar 0,50

0,72 ≥ 0,50 → classe positiva

Elevar o limiar tende a reduzir positivos previstos: normalmente diminui falsos positivos, mas aumenta falsos negativos.

04 · MATRIZ DE CONFUSÃO

Acertar e errar possuem quatro significados.

Considere 100 previsões: 48 casos eram realmente positivos e 52 eram negativos.

Real positivo

Real negativo

Prevê positivo

42VP · verdadeiro positivo

8FP · falso positivo

Prevê negativo

6FN · falso negativo

44VN · verdadeiro negativo

Acurácia(VP+VN) ÷ total86%

PrecisãoVP ÷ (VP+FP)84%

RecallVP ÷ (VP+FN)87,5%

F12·precisão·recall ÷ (precisão+recall)85,7%

05 · CLASSES DESBALANCEADAS

Acurácia alta pode esconder um modelo inútil.

1.000 transações990 legítimas e somente 10 fraudes

99% de acuráciase o modelo responder “legítima” em todas — mas detectar 0 fraudes

Como avaliar melhor: examine a matriz de confusão, precisão, recall, F1 e curvas precisão–recall. No treinamento, considere pesos de classe, reamostragem e coleta de mais exemplos raros — sempre aplicados apenas ao conjunto de treino para evitar vazamento.

06 · ALGORITMOS

Várias famílias podem produzir classificadores.

O tipo da saída, a natureza dos dados, a explicabilidade e o custo computacional orientam a escolha.

Modelo	Como decide?	Onde costuma funcionar bem?	Tratamento importante
Regressão logística	Transforma uma soma linear em probabilidade.	Referência simples, rápida e explicável para dados tabulares.	Escala, categorias codificadas e relações aproximadamente lineares na fronteira.
Árvore de decisão	Aplica perguntas sucessivas “se/então”.	Dados tabulares com limiares e interações.	Controlar profundidade para reduzir sobreajuste.
Random Forest e Boosting	Combinam várias árvores por média, votação ou correção sequencial.	Problemas tabulares complexos.	Ajustar complexidade, desbalanceamento e validação.
k-NN	Consulta os rótulos dos vizinhos mais próximos.	Bases menores com proximidade significativa.	Padronizar escalas e escolher distância e k.
SVM	Procura uma fronteira com margem ampla; kernels permitem curvas.	Bases pequenas ou médias e espaços de muitas dimensões.	Padronizar entradas e ajustar C e kernel.
Naïve Bayes	Combina probabilidades condicionais das características.	Texto, spam e referências probabilísticas rápidas.	Escolher a distribuição coerente com os dados.
Redes neurais	Aprendem representações e fronteiras por várias camadas.	Imagem, áudio, texto e grandes bases complexas.	Arquitetura, ativação de saída, função de perda e regularização.

07 · ROTEIRO DE PROJETO

Defina a tarefa antes de treinar.

1. ClassesPodem coexistir? Possuem ordem?

2. DadosLimpe, represente e divida treino, validação e teste.

3. ModeloComece com uma referência simples.

4. MétricaEscolha conforme o custo de FP e FN.

IDEIA PARA LEVAR

Classificar é definir uma decisão e medir suas consequências.

O mesmo escore pode gerar decisões diferentes conforme o limiar; e a mesma acurácia pode esconder tipos de erro muito diferentes. Classes, métricas e custos precisam ser definidos em conjunto.

Ver algoritmos supervisionados