Como Funciona:

A regressão linear encontra a melhor linha reta que passa pelos pontos de dados. É como desenhar uma linha que melhor representa a relação entre duas variáveis.

Exemplo Prático:

Predição de preços de casas: Com base no tamanho da casa (m²), prever o preço. Se casas maiores custam mais, a linha mostrará essa tendência.

Quando Usar:

• Prever valores numéricos (preços, temperaturas, vendas)
• Quando há relação linear entre variáveis
• Interpretação simples dos resultados

⚠️ Limitações:

• Assume relação linear (pode não funcionar com dados complexos)
• Sensível a outliers
• Pode sofrer overfitting com muitas features

Como Funciona:

Usa uma curva em S (sigmoide) para classificar dados em categorias. Em vez de prever valores exatos, prevê a probabilidade de pertencer a uma classe.

Exemplo Prático:

Detecção de spam: Com base em palavras-chave, comprimento do email e remetente, determinar se um email é spam (sim/não).

Quando Usar:

• Classificação binária (sim/não, aprovado/reprovado)
• Quando você quer probabilidades, não apenas classificação
• Interpretação dos fatores de influência

Como Funciona:

Cria uma série de perguntas de sim/não que levam a uma decisão final. Como um fluxograma que você segue para chegar a uma conclusão.

Exemplo Prático:

Aprovação de empréstimo:

• Salário > R$ 5.000? → Se SIM: aprovado
• Se NÃO: Tem fiador? → Se SIM: aprovado
• Se NÃO: Score > 700? → Se SIM: aprovado, Se NÃO: negado

Quando Usar:

• Quando você precisa explicar as decisões
• Dados com categorias bem definidas
• Regras de negócio complexas

Como Funciona:

Agrupa dados similares em clusters. Imagina que você tem pontos espalhados e quer encontrar grupos naturais - o K-means encontra os centros desses grupos.

Exemplo Prático:

Segmentação de clientes: Agrupar clientes por comportamento de compra:

• Grupo 1: Compram muito e caro (VIPs)
• Grupo 2: Compram pouco mas regularmente (Fiéis)
• Grupo 3: Compram ocasionalmente (Oportunistas)

Quando Usar:

• Descobrir padrões ocultos nos dados
• Segmentação de mercado
• Redução de complexidade dos dados

Como Funciona:

Imita o funcionamento do cérebro humano com neurônios artificiais conectados. Cada neurônio recebe informações, processa e passa para o próximo, aprendendo padrões complexos.

Exemplo Prático:

Reconhecimento de imagens:

• Entrada: pixels da imagem
• Camadas ocultas: detectam bordas, formas, texturas
• Saída: "É um gato" ou "É um cachorro"

Quando Usar:

• Problemas complexos com muitos dados
• Reconhecimento de padrões em imagens, texto, áudio
• Quando outros algoritmos não funcionam bem

Como Funciona:

Combina muitas árvores de decisão diferentes. É como perguntar a opinião de vários especialistas e usar a resposta mais comum. Cada árvore "vota" e a maioria ganha.

Exemplo Prático:

Diagnóstico médico:

• 100 árvores analisam sintomas do paciente
• 70 árvores dizem "gripe", 30 dizem "resfriado"
• Resultado final: "gripe" (pela maioria)

Quando Usar:

• Quando você quer alta precisão
• Dados com muito ruído
• Problemas complexos de classificação

Como Funciona:

Constrói modelos sequencialmente, onde cada novo modelo aprende com os erros do anterior. É como um estudante que vai melhorando as notas corrigindo seus erros anteriores.

Exemplo Prático:

Previsão de vendas:

• Modelo 1: Prevê 1000 vendas, real = 1200 (erro +200)
• Modelo 2: Aprende a corrigir +200, melhora previsão
• Modelo 3: Corrige erros restantes, previsão mais precisa

Quando Usar:

• Quando você precisa da maior precisão possível
• Competições de machine learning
• Problemas onde pequenas melhorias importam

⚠️ Limitações:

• Pode sofrer overfitting facilmente
• Mais lento para treinar que Random Forest
• Sensível a hiperparâmetros