Glossário IA
O dicionário completo da Inteligência Artificial
Regressão Linear
Modelo estatístico que estabelece uma relação linear entre uma variável dependente e uma ou mais variáveis independentes, minimizando a soma dos quadrados dos resíduos. Este modelo é considerado uma caixa branca porque os coeficientes podem ser diretamente interpretados como o impacto de cada variável na previsão.
K-Vizinhos Mais Próximos (KNN)
Algoritmo de aprendizado supervisionado que classifica uma nova amostra com base na classe majoritária de seus k vizinhos mais próximos no espaço de características. Este modelo é totalmente interpretável porque as previsões podem ser explicadas mostrando explicitamente os vizinhos utilizados para a decisão.
Regras de Associação
Método de descoberta de relações entre variáveis em grandes bases de dados, tipicamente representado na forma SE-ENTÃO com medidas de suporte e confiança. Estas regras são intrinsecamente interpretáveis porque expressam diretamente relações lógicas compreensíveis entre os atributos.
Modelo Linear Generalizado (GLM)
Extensão da regressão linear que permite distribuições de resposta diferentes da normal e funções de ligação não lineares, mantendo uma estrutura aditiva. Os GLM permanecem interpretáveis porque os coeficientes podem ser transformados para revelar o efeito marginal de cada preditor.
Modelo Aditivo Generalizado (GAM)
Extensão dos GLM onde a previsão é uma soma de funções suaves das variáveis individuais em vez de termos lineares. Os GAM oferecem alta interpretabilidade porque permitem visualizar separadamente o efeito de cada variável na previsão, capturando relações não lineares.
Análise Discriminante Linear (LDA)
Método de classificação que busca encontrar uma combinação linear de características que melhor separa duas ou mais classes, maximizando a razão entre a variância entre classes e a variância intraclasse. A interpretabilidade vem dos vetores próprios que indicam as direções mais discriminatórias no espaço de características.
Árvores CART
Algoritmo de construção de árvores de decisão que usa o índice de Gini para classificação e o erro quadrático médio para regressão, com divisões binárias em cada nó. A estrutura binária das árvores CART facilita a interpretação dos caminhos de decisão e das regras extraídas.
Algoritmo ID3
Algoritmo histórico de construção de árvores de decisão que usa o ganho de informação baseado na entropia para selecionar os atributos de divisão. O ID3 produz árvores altamente interpretáveis onde cada caminho representa uma regra de decisão clara baseada em testes binários ou multiclasse.
Algoritmo C4.5
Melhoria do algoritmo ID3 que utiliza a razão de ganho de informação para evitar viés em relação a atributos com muitos valores, e gerencia atributos contínuos e valores ausentes. C4.5 gera árvores de decisão otimizadas enquanto preserva uma interpretabilidade completa do processo de decisão.
Algoritmo CHAID
Algoritmo de construção de árvores de decisão que utiliza testes qui-quadrado para variáveis categóricas e testes F para variáveis contínuas, com divisões multi-vias em vez de binárias. CHAID produz árvores particularmente interpretáveis para dados de pesquisa e marketing.
Lista de decisão
Estrutura de classificação representada como uma sequência ordenada de regras SE-ENTÃO, onde cada regra é testada sequencialmente até que uma seja satisfeita. As listas de decisão oferecem interpretabilidade superior às árvores porque apresentam um fluxo de decisão linear em vez de uma estrutura arbórea complexa.
Modelo baseado em regras
Sistema de classificação ou regressão que utiliza um conjunto de regras lógicas para fazer previsões, frequentemente organizado em conjunto abrangente ou lista de decisão. Esses modelos estão entre os mais interpretáveis porque cada previsão pode ser explicada por uma ou mais regras explícitas compreensíveis por não especialistas.
Perceptron simples
Algoritmo de classificação linear binária que aprende um hiperplano separador ajustando iterativamente os pesos baseado nos erros de classificação. Embora simples, o perceptron permanece interpretável porque os pesos podem ser examinados para compreender a importância e a direção da influência de cada característica.
Regressão de Poisson
Modelo de regressão para dados de contagem que assume que a variável resposta segue uma distribuição de Poisson, com uma ligação logarítmica para a função média. Os coeficientes exponenciais do modelo permitem uma interpretação direta como multiplicadores das taxas de eventos esperados.
Stochastic Gradient Boosting (SGB)
Método de ensemble que combina modelos interpretáveis simples (frequentemente árvores pouco profundas) construindo sequencialmente cada novo modelo para corrigir os erros do anterior. Embora poderoso, SGB com árvores pouco profundas conserva certa interpretabilidade através das contribuições de cada árvore individual.