Modelagem Estatística — Guia Pragmático

Modelos Lineares — A base da ciência no século XX

Continuando Nossa série de posts de como interpretar algoritmos e previsões de Machine Learning.

Sobre a importância de explicarmos as predições.

• Parte 0 — O que é Ciência de Dados e o Cientista de dados
• Parte1 — Introdução a Interpretabilidade
• Parte 2 — (este post) Interpretando modelos de alto viés e baixa variância. Regressões Lineares.
• Parte 3 — Interpretando modelos de baixo viés e alta variância.
• Parte 4 — É possível resolver o trade-off entre viés e variância?
• Parte 5 — Métodos Locais de interpretabilidade.
• Parte 6 — Métodos Globais de interpretabilidade. Shapley Value e teoria dos jogos.

Nessa postagem focaremos na interpretação de modelos de alto viés e baixa variância, como explicamos na postagem anterior, esses algoritmos são os mais fáceis de interpretar para isso assumem diversos pré-requisitos nos dados. Vamos escolher as regressões Lineares para representar esse grupo de algoritmos. Se você não tem ideia do que são os Modelos Lineares, talvez vale a pena dar uma olhada no artigo Uma Breve História da Estatística.

Todos os códigos dessa postagem estão disponíveis no notebook do Kaggle.