Como fazer predições de alimentos no Orange Canvas

12.8K views
•
April 29, 2018
by
Sandeco
YouTube video player
Como fazer predições de alimentos no Orange Canvas

TL;DR

Para prever se um alimento é fruta ou vegetal no Orange Canvas, conecte modelos treinados e dados sem classificação ao componente de predições. A demonstração usa informações nutricionais, árvore de decisão e regressão logística, que discordam sobre um dos alimentos. As previsões podem ser visualizadas e salvas, mas a escolha do melhor algoritmo exige avaliação, apresentada como tema da próxima aula.

Transcript

[Música] bom dia boa tarde boa noite pra você onde você estiver agora assistindo mais um vídeo do canal são deco ou lançando essa mas eu sou professor e pesquisador na área de inteligência artificial e deixa site galera se começar esse vídeo eu queria deixar uma informação com você a informação superinteressante tem uma galera já no óxi zap no grup... Read More

Key Insights

  • A classificação fruta ou vegetal deve ser configurada como alvo no arquivo usado para treinamento.
  • O nome do alimento fica como metadado, para que o algoritmo desconsidere essa informação.
  • Os atributos nutricionais incluem vitaminas, minerais, calorias, proteína e fibras dos alimentos.
  • A árvore de decisão e a regressão logística usam a mesma base de treinamento na demonstração.
  • O componente de predições recebe os modelos treinados e o arquivo de alimentos sem classificação.
  • A árvore prevê frutas para todos os casos; a regressão logística classifica um deles como vegetal.
  • A tabela de resultados permite comparar classes previstas e probabilidades atribuídas pelos modelos.
  • Acurácia e matriz de confusão são anunciadas como recursos da próxima aula para avaliar os algoritmos.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como preparar os dados de treinamento para classificar alimentos no Orange Canvas?

A preparação começa carregando o arquivo de treinamento com frutas e vegetais no componente de arquivo do Orange Canvas. A base contém atributos nutricionais, como vitamina A, vitamina C, cálcio, ferro, magnésio, calorias, potássio, proteína e fibras. A coluna que informa se o alimento é fruta ou vegetal deve mudar de atributo para alvo, indicado como target na interface. O nome do alimento deve ficar como metadado, indicado como meta, para que o algoritmo o desconsidere. Depois dessas definições, a tabela de dados permite conferir os atributos, os nomes e as classificações existentes.

Q: Como conectar árvore de decisão e regressão logística para fazer predições?

O fluxo demonstrado conecta o arquivo de treinamento aos componentes de árvore de decisão e regressão logística. Esses classificadores recebem a base com informações nutricionais e a classificação dos alimentos. Em seguida, outro componente de arquivo carrega os dados que serão classificados, cujos atributos nutricionais estão disponíveis, mas cuja classe está vazia. O componente de predições recebe tanto os modelos quanto esse arquivo de teste. Ao abrir sua interface, é possível consultar as classificações produzidas por cada algoritmo. A demonstração mantém as configurações dos classificadores como estão, deixando explicações adicionais sobre seus ajustes para outras aulas.

Q: Qual é a diferença entre o arquivo de treinamento e o arquivo usado para predição?

O arquivo de treinamento apresenta informações nutricionais, nomes dos alimentos e a classificação que indica fruta ou vegetal. Essa classificação é configurada como alvo para o treinamento dos modelos. O arquivo usado para predição contém as informações nutricionais dos alimentos, mas não apresenta seus nomes e deixa a classificação vazia. A comparação entre as tabelas destaca essa diferença. O objetivo dos classificadores é preencher a informação desconhecida, atribuindo a cada alimento uma classe. Para isso, o arquivo de teste é conectado ao componente de predições junto com a árvore de decisão e a regressão logística treinadas.

Q: Quais resultados a árvore de decisão e a regressão logística apresentam na demonstração?

A árvore de decisão classifica os três alimentos de teste como frutas. A regressão logística também identifica frutas, mas classifica o segundo alimento como vegetal, criando uma discordância entre os modelos. A tabela de saída permite observar essas classes ao lado dos atributos nutricionais usados na predição. O apresentador também examina as probabilidades associadas às classificações. Essa comparação mostra que os algoritmos podem produzir respostas diferentes para os mesmos dados de entrada. A demonstração levanta a possibilidade de erro da árvore nesse caso, mas deixa a avaliação de qual algoritmo é melhor para a aula seguinte.

Q: Como visualizar a árvore de decisão gerada no Orange Canvas?

A árvore gerada pode ser examinada conectando o classificador ao componente de visualização de árvores. Essa visualização mostra quais atributos aparecem nas decisões do modelo. Na explicação apresentada, os atributos posicionados mais acima na árvore têm maior ganho de informação e são considerados mais importantes do que os que aparecem abaixo. O apresentador comenta a presença de calorias, potássio, ferro e vitamina A na árvore exibida. Também observa que algumas características não foram utilizadas, mencionando vitamina C como exemplo. O objetivo dessa etapa é inspecionar a estrutura produzida antes de comparar suas predições com as da regressão logística.

Q: Como consultar probabilidades e comparar visualmente as predições dos modelos?

A saída do componente de predições pode ser conectada a uma tabela de dados para consultar as classes previstas e suas probabilidades. Na demonstração, a árvore apresenta probabilidade de 100% para fruta e de 0% para vegetal nos casos exibidos. O apresentador também cria uma visualização com as saídas dos classificadores nos eixos e utiliza a classificação da regressão logística para definir as cores. Essa exploração destaca o alimento que a regressão considera vegetal e a árvore considera fruta. A separação visual é tratada como indício de possível erro, sem substituir a avaliação dos algoritmos.

Q: Como salvar os resultados das predições para utilizar em outro lugar?

Os resultados podem ser enviados da saída de predições para um componente de salvamento de dados. Na demonstração, o apresentador salva um arquivo de previsão e depois o abre para conferir seu conteúdo. O arquivo reúne as informações mostradas na tabela de resultados, permitindo utilizar as classificações geradas em outro lugar. Ao inspecionar o conteúdo salvo, ele comenta que existem informações adicionais que podem ser excluídas conforme a necessidade. Essa etapa completa o fluxo apresentado: carregar os dados, treinar os classificadores, gerar predições, examinar as saídas e guardar os resultados em um arquivo.

Q: Como saber qual classificador é melhor para o problema mostrado?

A demonstração termina levantando a pergunta sobre como comprovar se a árvore de decisão ou a regressão logística é melhor para classificar os alimentos. Os resultados apresentados mostram uma discordância, e a visualização sugere um possível erro da árvore, mas não estabelecem qual modelo tem melhor desempenho. O apresentador anuncia que a próxima aula abordará a avaliação de algoritmos de previsão usando acurácia e matriz de confusão. Assim, a conclusão sustentada pelo conteúdo é que comparar predições ajuda a identificar diferenças entre os modelos, enquanto a avaliação necessária para escolher o melhor fica para a continuação.

Summary & Key Takeaways

  • O fluxo começa com dados nutricionais de frutas e vegetais. A classificação deve ser definida como alvo, enquanto o nome fica como metadado, para ser desconsiderado pelo algoritmo durante o treinamento.

  • Árvore de decisão e regressão logística recebem os dados de treinamento e classificam alimentos sem rótulo. A árvore prevê apenas frutas, enquanto a regressão identifica um dos alimentos como vegetal.

  • As saídas incluem classes previstas e probabilidades, que podem ser examinadas em tabelas, visualizadas e salvas. A avaliação com acurácia e matriz de confusão fica para a aula seguinte.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚