Noções Básicas de Machine Learning

10 exemplos para você começar com ML Clássico - 7 básicos e 3 intermediários.

Pré-requisitos

uv venv && source .venv/bin/activate
uv pip install "pandas>=2.2" "scikit-learn>=1.5" "numpy>=2.0"

• Python 3.14.0 com um ambiente virtual isolado.
• pandas 2.2+ para dados tabulares; scikit-learn para algoritmos e pipelines de ML clássico.

Exemplos Básicos

1. Carregar Dados em um DataFrame

Comece todo projeto inspecionando a forma, os tipos de dados e os valores ausentes.

import pandas as pd
from sklearn.datasets import load_iris
 
iris = load_iris(as_frame=True)
df = iris.frame.assign(species=iris.target_names[iris.target])
print(df.shape, df.dtypes)
print(df.isna().sum())

• as_frame=True retorna um DataFrame pandas diretamente de conjuntos de dados do sklearn.
• Verifique df.info() e df.describe() antes da modelagem.
• Registre a versão do conjunto de dados ou o URL de origem para reprodutibilidade.

Relacionado: Conjuntos de Dados e Divisões - divisões de treino/teste/validação

2. Separar Recursos e Alvo

Defina X (entradas) e y (rótulo) explicitamente.

X = df.drop(columns=["species"])
y = df["species"]
feature_names = list(X.columns)

• Os recursos devem excluir a coluna alvo e quaisquer colunas pós-resultado.
• Mantenha os nomes dos recursos como uma lista para inspeção e explicabilidade posteriores.
• Alvos categóricos podem permanecer como strings até que um codificador seja ajustado.

Relacionado: Engenharia de Recursos - codificação e dimensionamento

3. Divisão Treino/Teste

Reserve dados não vistos antes de ajustar qualquer coisa.

from sklearn.model_selection import train_test_split
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

• stratify=y preserva as proporções de classe em tarefas de classificação.
• Ajuste pré-processadores e modelos apenas em X_train - nunca no conjunto de dados completo.
• O conjunto de teste é tocado uma vez no final para uma pontuação imparcial.

Relacionado: Conjuntos de Dados e Divisões - validação cruzada

4. Ajustar um Classificador de Linha de Base

Estabeleça um benchmark simples antes de ajustar modelos complexos.

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
 
clf = LogisticRegression(max_iter=1000, random_state=42)
clf.fit(X_train, y_train)
preds = clf.predict(X_test)
print("accuracy:", accuracy_score(y_test, preds))

• A regressão logística é uma linha de base linear forte para classificação tabular.
• Compare cada novo modelo com essa pontuação de linha de base.
• max_iter=1000 evita avisos de convergência em alguns conjuntos de dados.

Relacionado: Aprendizado Supervisionado - escolhas de algoritmos

5. Dimensionar Recursos Numéricos

Muitos algoritmos esperam entradas com escala semelhante.

from sklearn.preprocessing import StandardScaler
 
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # ajustado apenas no treino

• fit aprende a média e o desvio padrão dos dados de treinamento; transform os aplica.
• Nunca chame fit_transform no conjunto de teste - isso vaza estatísticas.
• Envolva o dimensionamento em um Pipeline para evitar erros manuais.

Relacionado: Engenharia de Recursos - ColumnTransformer

6. Construir um Pipeline Livre de Vazamentos

Encadeie pré-processamento e modelo em um único objeto estimável.

from sklearn.pipeline import Pipeline
 
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, random_state=42)),
])
pipe.fit(X_train, y_train)
print("pipeline accuracy:", accuracy_score(y_test, pipe.predict(X_test)))

• Um Pipeline garante que os dados de teste nunca influenciem as estatísticas de pré-processamento.
• pipe.predict(X_test) executa o dimensionamento e a classificação em uma única chamada.
• Serializar todo o pipeline para implantação, não apenas o modelo.

Relacionado: Pipelines - composição de etapas

7. Validação Cruzada para Pontuações Estáveis

Divisões únicas de treino/teste podem ser ruidosas; CV calcula a média de várias dobras.

from sklearn.model_selection import cross_val_score
 
scores = cross_val_score(pipe, X_train, y_train, cv=5, scoring="accuracy")
print(f"CV mean: {scores.mean():.3f} +/- {scores.std():.3f}")

• A validação cruzada é executada apenas nos dados de treinamento - o conjunto de teste permanece bloqueado.
• Relate a média e o desvio padrão, não apenas a melhor dobra.
• Use scoring apropriado para o problema (F1, ROC-AUC, etc.).

Relacionado: Avaliação de Modelos - métricas e curvas

Exemplos Intermediários

8. Codificar Recursos Categóricos

Colunas numéricas e categóricas mistas precisam de transformações direcionadas.

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
 
num_cols = ["sepal length (cm)", "sepal width (cm)"]
cat_cols = ["petal length (cm)"]  # exemplo: tratar uma coluna como categórica
 
preprocessor = ColumnTransformer([
    ("num", StandardScaler(), num_cols),
    ("cat", OneHotEncoder(handle_unknown="ignore"), cat_cols),
])

• ColumnTransformer aplica diferentes transformações a diferentes grupos de colunas.
• handle_unknown="ignore" evita falhas em categorias não vistas na inferência.
• Ajuste o pré-processador dentro de um pipeline, nunca no conjunto de dados completo antecipadamente.

Relacionado: Engenharia de Recursos - padrões completos de codificação

9. Ajustar Hiperparâmetros com Busca em Grade

Pesquise combinações de parâmetros dentro da validação cruzada.

from sklearn.model_selection import GridSearchCV
 
param_grid = {"clf__C": [0.1, 1.0, 10.0]}
search = GridSearchCV(pipe, param_grid, cv=5, scoring="accuracy")
search.fit(X_train, y_train)
print("best params:", search.best_params_)
print("test accuracy:", accuracy_score(y_test, search.predict(X_test)))

• Prefixe os parâmetros da etapa do pipeline com o nome da etapa (clf__C).
• GridSearchCV seleciona os melhores parâmetros pela pontuação CV nos dados de treinamento.
• Avalie o vencedor uma vez no conjunto de teste reservado.

Relacionado: Ajuste de Hiperparâmetros - Optuna e busca aleatória

10. Salvar e Carregar um Pipeline Treinado

Persista o artefato completo para inferência reproduzível.

import joblib
 
joblib.dump(pipe, "iris_pipeline.joblib")
loaded = joblib.load("iris_pipeline.joblib")
print(loaded.predict(X_test[:3]))

• Salve todo o pipeline para que o pré-processamento acompanhe o modelo.
• Versionar o artefato junto com o hash dos dados de treinamento e a semente aleatória.
• Carregue e preveja com os mesmos nomes de coluna pandas usados durante o treinamento.

Relacionado: Pipelines - serialização e implantação

Versões da Pilha: Esta página foi escrita para Python 3.14.0 (estável 3.14, manutenção 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ e uv 0.6+.