c4p1t4n/fashion_mnist

Pré-processamento dos Dados

Para garantir que os modelos de aprendizado de máquina fossem treinados de forma eficiente e com melhor performance, as seguintes etapas de pré-processamento foram realizadas:

1. Normalização dos Dados:

   • Ferramenta Utilizada: Standard Scaler
   • Motivação: Tanto o KNN quanto o SVM são sensíveis à escala dos dados:
     • KNN: Calcula distâncias entre pontos, o que pode ser distorcido se as características tiverem escalas diferentes.
     • SVM: Traça hiperplanos entre classes, e uma escala inadequada pode influenciar a posição e a orientação desses hiperplanos.
   • Processo: Os dados foram padronizados para ter média zero e desvio padrão igual a um, garantindo que todas as características contribuíssem de maneira equilibrada para os modelos.

2. Redução de Dimensionalidade:

   • Ferramenta Utilizada: PCA
   • Motivação: Melhorar o tempo de treinamento e reduzir a complexidade dos dados.
   • Processo: O PCA foi aplicado para transformar os dados em um conjunto de componentes principais, mantendo a maior parte da variância dos dados originais, mas com uma dimensionalidade reduzida.

Comparação dos Modelos

SVM Não Linear

Pontos Fortes:

• Desempenho Superior: Apresentou métricas de avaliação ligeiramente melhores em relação ao KNN (accuracy, precision, recall e F1 de 0.89 vs. 0.87 para o KNN).

Pontos Fracos:

• Custo Computacional Elevado: O treinamento foi significativamente mais caro, levando 1 hora e 51 minutos em comparação aos 25 minutos do KNN.

KNN (K-Nearest Neighbors)

Pontos Fortes:

• Simplicidade e Rapidez no Treinamento: Muito mais rápido no treinamento, completando em 25 minutos comparado aos 1 hora e 51 minutos da SVM.

Pontos Fracos:

• Desempenho Ligeiramente Inferior: Teve métricas de avaliação um pouco inferiores (0.87 contra 0.89 da SVM).

Explicação das Métricas de Avaliação e Interpretação dos Resultados

Métricas Utilizadas:

1. Accuracy: Proporção de previsões corretas entre o total de previsões feitas.
2. Precision: Proporção de verdadeiros positivos em relação ao total de positivos previstos.
3. Recall: Proporção de verdadeiros positivos em relação ao total de positivos reais.
4. F1 Score: Média harmônica da precisão e recall, que considera ambos de forma equilibrada.

Interpretação dos Resultados:

• Accuracy de 0.87 e 0.89: Indica que ambos os modelos têm uma alta proporção de previsões corretas, com a SVM apresentando uma ligeira vantagem.
• Precision, Recall e F1 iguais às respectivas accuracies: Sugere que os modelos são balanceados e eficazes tanto na identificação correta de positivos quanto na minimização de falsos positivos e falsos negativos.

Tabela Comparativa

Nome do Modelo	Accuracy (%)	Precision	Recall	F1	Tempo de Execução (ms)
KNN	0.87	0.87	0.87	0.87	1553 (25 minutos)
SVM	0.89	0.89	0.89	0.89	6667 (1h 51 minutos)

Escolha do Modelo:

• Devido a ambos os modelos terem desempenhado de forma similiar o modelo final que escolheria seria o KNN dado que o custo computacional de treinamento do mesmo foi menor comparado com o SVM