No artigo “Decisão de crédito utilizando machine learning e visão computacional” foi demonstrada a utilização de técnicas de inteligência artificial para um sistema modelo de análise e decisão de crédito.
O artigo demonstra a utilização de APIs e bibliotecas para reconhecer uma pessoa à partir de uma foto, extrair idade e gênero e realizar marcações como os pontos fiduciais.
[
Decisão de crédito utilizando machine learning e visão computacional
Utilização de APIs e bibliotecas de visão computacional e aprendizado de máquina para criação de um motor de decisão de…
medium.comC
Um dos pontos do artigo citado, no qual iremos abordar com mais detalhes, é a criação e treinamento de modelos de predição de score para tomada de decisão. Na primeira versão utilizamos os algoritmos RandomForest e GradientBoosting, mas será que eles são mesmo a melhor opção? 🤔
Nesta nova versão, novos algoritmos foram testados e o score de cada um deles foi comparado, tanto para classificação quanto para regressão.
Uma lista com vários algoritmos implementados na biblioteca sklearn você pode encontrar pelo link: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.ensemble
RandomForest e GradientBoosting são “figurinhas carimbadas” nas disciplinas de Machine Learning, que resolvem grande parte dos problemas de mercado, entregando uma acurácia aceitável pelo seu tempo de treinamento.
Com base na indicação do professor Me. Felipe Teodoro e, nos recentes resultados destas bibliotecas em competições de aprendizado de máquina, os dois outros algoritmos são: XGBoost e Light GBM.
É possível encontrar mais sobre as competições e os resultados nos links de cada um dos algoritmos acima.
Como explicado no artigo anterior sobre o tema, com a atualização do modelo o GitHub Action se encarrega de realizar o Build e o Deploy da aplicação. Um dos passos deste processo é o treinamento do modelo, disponível clicando aqui, em que temos o seguinte resultado:
model\_1\_randomforest\_classifier accuracy: 0.8600333333333333
model\_1\_xgboost\_classifier accuracy: 0.8746
model\_1\_lightgbm\_classifier accuracy: 0.8762666666666666
model\_1\_gradientboosting\_classifier accuracy: 0.8768333333333334
model\_1\_randomforest\_regressor accuracy: 0.5901592249304006
model\_1\_xgboost\_regressor accuracy: 0.6371604287220034
model\_1\_lightgbm\_regressor accuracy: 0.6450610561426381
model\_1\_gradientboosting\_regressor accuracy: 0.6329410198786587
model\_2\_randomforest\_classifier accuracy: 0.8464333333333334
model\_2\_xgboost\_classifier accuracy: 0.8633333333333333
model\_2\_lightgbm\_classifier accuracy: 0.8649666666666667
model\_2\_gradientboosting\_classifier accuracy: 0.8657666666666667
model\_2\_randomforest\_regressor accuracy: 0.5519534871968672
model\_2\_xgboost\_regressor accuracy: 0.6072325295143952
model\_2\_lightgbm\_regressor accuracy: 0.6134725152532305
model\_2\_gradientboosting\_regressor accuracy: 0.6069039918997955
Código completo: