Template-Algoritmos-Machine-Learning.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Template Para Construção de Modelos de Machine Learning"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Este notebook contém um template do código necessário para criar os principais algoritmos de Machine Learning."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<img src=\"images/processo.png\"/>"
      ],
      "text/plain": [
       "<IPython.core.display.Image object>"
      ]
     },
     "execution_count": 1,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "from IPython.display import Image\n",
    "Image(url = 'images/processo.png')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Regressão Linear"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn import linear_model #Pacote linear_model do scikit-learn\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto linear regression\n",
    "linear = linear_model.LinearRegression() #LineaRegression() é uma classe\n",
    "\n",
    "# Treinando o modelo com dados de treino e checando o score\n",
    "linear.fit(x_treino, y_treino)\n",
    "linear.score(x_treino, y_treino)\n",
    "\n",
    "# Coletando os coeficientes\n",
    "print('Coefficient: \\n', linear.coef_)\n",
    "print('Intercept: \\n', linear.intercept_)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = linear.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Regressão Logística"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn.linear_model import LogisticRegression\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto logistic regression \n",
    "modelo = LogisticRegression()\n",
    "\n",
    "# Treinando o modelo com dados de treino e checando o score\n",
    "modelo.fit(x_treino, y_treino)\n",
    "modelo.score(x_treino, y_treino)\n",
    "\n",
    "# Coletando os coeficientes\n",
    "print('Coefficient: \\n', modelo.coef_)\n",
    "print('Intercept: \\n', modelo.intercept_)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Árvores de Decisão"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn import tree\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto tree para regressão\n",
    "modelo = tree.DecisionTreeRegressor() \n",
    "\n",
    "# Criando o objeto tree para classificação\n",
    "modelo = tree.DecisionTreeClassifier() \n",
    "\n",
    "# Treinando o modelo com dados de treino e checando o score\n",
    "modelo.fit(x_treino, y_treino)\n",
    "modelo.score(x_treino, y_treino)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Naive Bayes"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn.naive_bayes import GaussianNB\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto GaussianNB\n",
    "modelo = GaussianNB() \n",
    "\n",
    "# Treinando o modelo com dados de treino\n",
    "modelo.fit(x_treino, y_treino)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Support Vector Machines"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn import svm\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto de classificação SVM  \n",
    "modelo = svm.svc() # Classificador\n",
    "\n",
    "# Treinando o modelo com dados de treino e checando o score\n",
    "modelo.fit(x_treino, y_treino)\n",
    "modelo.score(x_treino, y_treino)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# K-Nearest Neighbors"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn.neighbors import KNeighborsClassifier\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto de classificação KNeighbors  \n",
    "KNeighborsClassifier(n_neighbors = 6) # Valor default de vizinhos é 5\n",
    "\n",
    "# Treinando o modelo com dados de treino \n",
    "modelo.fit(X, y)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# K-Means"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn.cluster import KMeans\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto KNeighbors \n",
    "k_means = KMeans(n_clusters = 3, random_state = 0)\n",
    "\n",
    "# Treinando o modelo com dados de treino \n",
    "modelo.fit(x_treino)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Random Forest"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import Library\n",
    "from sklearn.ensemble import RandomForestClassifier\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Criando o objeto Random Forest \n",
    "model = RandomForestClassifier()\n",
    "\n",
    "# # Treinando o modelo com dados de treino \n",
    "modelo.fit(x_treino, x_teste)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Redução de Dimensionalidade"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn import decomposition\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras   \n",
    "\n",
    "# Create objeto PCA  \n",
    "pca= decomposition.PCA(n_components = k) \n",
    "\n",
    "# Para Factor analysis\n",
    "fa= decomposition.FactorAnalysis()\n",
    "\n",
    "# Reduzindo a dimensão do dataset de treino usando PCA\n",
    "treino_reduzido = pca.fit_transform(treino)\n",
    "\n",
    "# Reduzindo a dimensão do dataset de teste\n",
    "teste_reduzido = pca.transform(teste)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Gradient Boosting & AdaBoost"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import do módulo\n",
    "from sklearn.ensemble import GradientBoostingClassifier\n",
    "\n",
    "# Datasets de treino e de teste\n",
    "x_treino = dataset_treino_variaveis_preditoras\n",
    "y_treino = dataset_treino_variavel_prevista\n",
    "x_teste = dataset_teste_variaveis_preditoras  \n",
    "\n",
    "# Criando o objeto Gradient Boosting \n",
    "modelo = GradientBoostingClassifier(n_estimators = 100, learning_rate = 1.0, max_depth = 1, random_state = 0)\n",
    "\n",
    "# Treinando o modelo com dados de treino \n",
    "modelo.fit(x_treino, y_treino)\n",
    "\n",
    "# Previsões\n",
    "valores_previstos = modelo.predict(x_teste)"
   ]
  }
 ],
 "metadata": {
  "anaconda-cloud": {},
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.6"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 1
}