Random Forest Classifier

Resultados Obtidos:

No desenvolvimento desse modelo de Machine Learning utilizando Random Forest, foram realizadas diversas etapas até chegarmos num resultado satisfatório, desde a limpeza, análise dos dados, adequação dos dados ao modelo a ser utilizado, até diversos experimentos para encontrar os melhores hiperparâmetros. Após o ajuste e validação, o modelo final apresentou os seguintes parâmetros ótimos:

• Critério de Divisão: Entropia

• Profundidade Máxima das Árvores: 20

• Número Máximo de Features: Nenhuma limitação

• Número Mínimo de Amostras por Folha: 1

• Número Mínimo de Amostras para Divisão: 5

• Número de Árvores na Floresta: 200

Ao todo, foram treinados 324 modelos diferentes para a seleção dos melhores hiperparâmetros. O modelo final alcançou uma precisão de 99,38%, evidenciando um desempenho robusto e eficiente na tarefa proposta.

Esses resultados indicam que o modelo Random Forest configurado, é altamente eficaz, capaz de realizar predições com um nível de acurácia elevado em aplicações futuras que demandem alta precisão.