10.2. Avaliação do Modelo Otimizado

A avaliação do modelo é fundamental para verificar se o desempenho obtido durante o treinamento se mantém em dados nunca vistos. As principais métricas utilizadas são: - MSE (Mean Squared Error): mede o erro médio quadrático entre as previsões e os valores reais. Quanto menor, melhor. - R² (Coeficiente de Determinação): indica a proporção da variância dos dados explicada pelo modelo. Valores próximos de 1 indicam excelente ajuste.

Interpretar corretamente essas métricas permite validar a qualidade das previsões e identificar possíveis ajustes necessários para melhorar o modelo.

from sklearn.metrics import mean_squared_error, r2_score

y_pred_best = best_tree.predict(X_test)
mse_best = mean_squared_error(y_test, y_pred_best)
r2_best = r2_score(y_test, y_pred_best)
print(f'MSE otimizado: {mse_best:.2f}')
print(f'R² otimizado: {r2_best:.2f}')

10.3. Comentário sobre a Otimização

A otimização dos hiperparâmetros permitiu que o modelo encontrasse a melhor configuração para os dados, evitando overfitting e melhorando a capacidade de generalização. Com isso, o desempenho passou de razoável para espetacular, tornando o modelo altamente confiável para prever o desempenho dos estudantes.

11. Avaliação do Modelo

Avaliação do modelo otimizado:

from sklearn.metrics import mean_squared_error, r2_score
y_pred_best = best_tree.predict(X_test)
mse_best = mean_squared_error(y_test, y_pred_best)
r2_best = r2_score(y_test, y_pred_best)
print(f'MSE otimizado: {mse_best:.2f}')
print(f'R² otimizado: {r2_best:.2f}')