Geometrica
Predição e Análise
Support Vector Machine
Algoritmo de aprendizado de máquina baseado em vetores de suporte
O que é?
Uma máquina de vetores de suporte (SVM) é um algoritmo de aprendizado de máquina supervisionado que classifica os dados encontrando uma linha ou hiperplano ideal que maximiza a distância entre cada classe em um espaço N-dimensional.
Características-chave
Maximização de margens entre classes
Eficaz em espaços de alta dimensionalidade
Versátil através do uso de diferentes kernels
Vantagens
Alta precisão em espaços de alta dimensão
Eficiente em memória
Versatilidade através de diferentes funções kernel
Aplicações
Classificação de dados
Regressão
Detecção de outliers
Resultados do Modelo
Análise detalhada das métricas de performance do modelo em dados de treino e validação.
R² Score
Training
0.9451
Validation
0.9480
RMSE
Training
3.8969
Validation
3.9935
Erro Máximo
Training
46.3594
Validation
30.8957
Análise de Performance
Coeficiente de Determinação (R²)
O modelo apresenta R² de 0.9480 na validação, indicando que 94.80% da variabilidade dos dados é explicada pelo modelo.
Erro Quadrático Médio (RMSE)
O RMSE de 3.9935 na validação indica o erro médio das predições em unidades da variável alvo.
Erro Máximo
O erro máximo de 30.8957 na validação representa o pior caso de predição do modelo.