ML clássico: mental model e quando usar
Ao terminar: Você decide entre regressão, classificação e clustering pelo formato do problema, e sabe quando XGBoost ainda ganha do LLM em dado tabular.
ML não é mágica — é estatística aplicada
Machine learning clássico é, essencialmente, ajustar uma função parametrizada a dados rotulados para generalizar a exemplos novos. O hype de 2023-2025 em LLM escondeu que 90% dos problemas de negócio com data tabular continuam sendo resolvidos por regressão logística, random forest e XGBoost — não por transformers de 70B parâmetros.
O trabalho sênior é saber quando aplicar ML. Se um analista consegue escrever 5 regras que cobrem 95% dos casos, ML é overkill: você paga custo de treino, deploy, monitoramento e drift para ganhar nada.
Os três tipos canônicos
# Regressão — prever número contínuo
# Ex: preço de imóvel, demanda de produto, LTV de cliente
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X_train, y_train) # y_train é float
# Classificação — prever classe discreta
# Ex: fraude sim/não, churn, categoria de produto
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=300).fit(X_train, y_train) # y_train é label
# Clustering — sem label, agrupar similares
# Ex: segmentação de clientes, detecção de anomalia
from sklearn.cluster import KMeans
clusters = KMeans(n_clusters=5).fit_predict(X) # sem y- Conceito de arquitetura
Comece pelo dado disponível, não pelo algoritmo. Ele determina o tipo de problema, e o tipo determina o que dá para prometer — nessa ordem, nunca na inversa.
- 1 · O tipo do problema vem do DADO, não da vontade. Sem histórico rotulado não há supervisionado — e nenhuma escolha de algoritmo contorna isso. Rotular é frequentemente o projeto inteiro.
- 2 · Sem rótulo, a pergunta muda. Sem resposta conhecida, não se prevê: descobre-se estrutura. Agrupar clientes e detectar anomalia são perguntas legítimas e diferentes.
- 3 · Reforço exige ambiente, e é isso que o torna raro. É preciso agir e receber retorno muitas vezes. Fora de simulação, isso costuma ser caro ou impossível — daí o método aparecer menos do que se fala dele.
- 4 · Os dois erros têm sintomas opostos. Simples demais erra igual nos dois conjuntos. Complexo demais acerta o treino e falha no teste. A distinção é o primeiro diagnóstico, sempre.
- 5 · O objetivo nunca é acertar o treino. Um modelo que decora atinge desempenho perfeito e não serve. A medida que importa é sobre dado que ele não viu.
- 6 · E às vezes a resposta é não usar aprendizado. Regra explícita é auditável, determinística e não precisa de dado. Quando o problema é bem definido, é a solução melhor — e a mais barata de manter.
Supervisão é o eixo principal: se você tem y rotulado, é supervisionado (regressão ou classificação). Sem rótulo: não-supervisionado (clustering, dim reduction). Com feedback de recompensa: RL — outro universo.
Bias-variance trade-off
Todo modelo erra por dois motivos: bias (premissa estrutural errada — modelo simples demais para o fenômeno) e variance (sensibilidade a pequenas mudanças no training set — modelo complexo demais memoriza ruído).
# Diagnóstico clássico: learning curve
from sklearn.model_selection import learning_curve
import numpy as np
sizes, train_scores, val_scores = learning_curve(
model, X, y, cv=5,
train_sizes=np.linspace(0.1, 1.0, 10),
scoring='neg_mean_squared_error',
)
# Se train_score e val_score ambos ruins -> underfit (bias)
# Se train_score bom mas val_score ruim -> overfit (variance)
# Se val_score melhora com mais dados -> colete maisNão caia no overfit sedutor: um R² de 0.99 em train com 0.45 em val não é bom modelo, é decoração. Sempre reporte métrica holdout, nunca apenas train.
Qual é a diferença entre sobreajuste e subajuste?
Quando ML não é a resposta
Recuse o projeto se:
- Menos de 1.000 exemplos rotulados e nenhuma forma barata de obter mais
- Distribuição muda a cada semana (drift extremo) sem pipeline de retreino
- Decisão precisa ser 100% auditável e regra simples cobre 90% dos casos
- Custo do falso positivo é catastrófico e você não tem human-in-the-loop
ML paga em: previsão de demanda com sazonalidade, score de risco com muitas variáveis, detecção de anomalia em stream, ranking e recommender, classificação de texto/imagem em volume. Em tudo isso, clássico vence LLM em custo-benefício.
Perguntas frequentes
❓ Quando aprendizado de máquina bate regra escrita à mão?
❓ Regressão, classificação ou agrupamento?
❓ Por que modelo tabular ainda vence LLM em muitos casos?
Fixando
O que a validação cruzada resolve?
Por que a escolha da métrica é decisão de negócio, e não técnica?
Terminou de ler?
Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.
Próximos passos sugeridos
Temas deste módulo
Discussão
Carregando comentários…