Machine Learning na prática
Laboratório XGBoost
Dos dados à primeira previsão. Experimente árvores que aprendem a corrigir os erros das anteriores.
Carregando datasets disponíveis...
1. Escolha os dados
Comece com uma demonstração ou traga sua própria pergunta em um CSV.
Os dados são enviados ao servidor para este experimento temporário. Dados e modelos expiram; nada é salvo como histórico.
Colunas, tipos e valores ausentes
4. Avalie e interprete
Importância das Variáveis
A importância indica a participação de cada variável no ganho total das árvores. Ela não significa necessariamente causalidade.
Como interpretar com cuidado
Importâncias são normalizadas pelo ganho total nas divisões das árvores; categorias da mesma feature são somadas. Valores correlacionados podem dividir importância. Uma métrica boa no teste não garante boas previsões fora desses dados. Evite ajustar repetidamente os parâmetros para melhorar sempre o mesmo teste.
Resumo do experimento
5. Testar uma previsão
Preencha as features usadas no treino. Campos vazios utilizam a preparação aprendida. Os exemplos iniciais vêm somente do conjunto de treino.