Arcane.Cortex
Aprendizado de máquina: 25 símbolos — regressão, árvore, floresta, k-NN, Naive Bayes, k-médias e PCA.
dataforge
adopt Arcane.Cortex as ML
treino, teste := ML.dividir(dados, 0.2)
modelo := ML.floresta(treino, "comprou", ["idade", "renda", "visitas"])
r := ML.avaliar(modelo, teste)
out $"acerto {r["acuracia"]}, F1 {r["f1"]}"Preparar#
| Símbolo | Faz |
|---|---|
dividir(linhas, p, semente, estratificar) | treino e teste — embaralha antes |
embaralhar(linhas, semente) | ordem aleatória, reprodutível |
categorico(linhas, coluna) | texto vira uma coluna 0/1 por valor |
escalonar(linhas, colunas) | a média e o desvio de cada coluna |
aplicar_escala(linhas, escala) | normaliza com a escala do treino |
Treinar#
| Símbolo | Para quê |
|---|---|
linear(linhas, alvo, colunas) | prever um número — mínimos quadrados |
logistica(linhas, alvo, colunas) | duas classes |
arvore(linhas, alvo, colunas) | classificar, com regras legíveis |
floresta(linhas, alvo, colunas, arvores) | várias árvores votando — o padrão bom |
vizinhos(linhas, alvo, colunas, k) | k-NN — não treina, decide na hora |
bayes_texto(linhas, alvo, coluna) | classificar texto |
kmedias(linhas, colunas, grupos) | agrupar sem rótulo |
pca(linhas, colunas, componentes) | reduzir dimensões |
Usar e avaliar#
| Símbolo | Devolve |
|---|---|
prever(modelo, linhas) | a previsão de cada linha |
prever_um(modelo, linha) | uma só |
probabilidade(modelo, linha) | a confiança — logistica e floresta |
avaliar(modelo, teste) | acurácia, precisão, revocação, F1 — ou MAE/RMSE/R² |
matriz(modelo, teste) | a matriz de confusão, em texto |
validacao_cruzada(...) | média e desvio entre k dobras |
importancia(modelo) | quais colunas decidem |
salvar(modelo, caminho) / carregar | JSON legível, sem pickle |
O que ele não é#
Não é TensorFlow. Não há GPU, retropropagação nem rede profunda — e fingir que há seria pior que não ter.