Conceitos de ML: classificação, agrupamento e recomendações
Os outros três conceitos fundamentais de ML são:
| Conceito | O que faz | Exemplo |
|---|---|---|
| Classificação | Atribuir dados a categorias pré-definidas | Classificar e-mails como spam ou não-spam |
| Agrupamento (Clustering) | Agrupar dados semelhantes sem categorias pré-definidas | Segmentação de clientes por comportamento de compra |
| Recomendações | Sugerir itens com base em preferências e histórico | Recomendar produtos em e-commerce |
A diferença-chave entre classificação e agrupamento: na classificação, as categorias já existem e o modelo aprende a atribuir dados a elas. No agrupamento, não há categorias — o modelo descobre sozinho grupos naturais nos dados.
Exemplos para fixar
Exemplo 1 (Classificação): Um banco classifica transações como "legítimas" ou "fraudulentas" com base em padrões de comportamento. As categorias existem previamente — o modelo aprende a distinguir uma da outra a partir de exemplos rotulados.
Exemplo 2 (Agrupamento): Uma empresa de marketing tem milhões de clientes sem nenhuma categorização. O ML analisa os dados (compras, frequência, valor gasto) e descobre naturalmente que existem 4 grupos de clientes com comportamentos distintos — sem que ninguém tenha definido esses grupos previamente.
Exemplo 3 (Recomendações): O Spotify analisa seu histórico de músicas, compara com milhões de outros usuários e descobre que pessoas com gostos similares ao seu também ouvem determinadas músicas. Ele então recomenda essas músicas para você. Esse é o conceito de filtragem colaborativa — uma técnica de recomendação baseada em similaridade entre usuários.