{"id":5234,"date":"2025-08-27T14:26:12","date_gmt":"2025-08-27T14:26:12","guid":{"rendered":"https:\/\/b2f.pt\/?p=5234"},"modified":"2026-10-15T12:16:27","modified_gmt":"2026-10-15T12:16:27","slug":"o-futuro-nao-se-adivinha-preve-se","status":"publish","type":"post","link":"https:\/\/b2f.pt\/en\/o-futuro-nao-se-adivinha-preve-se\/","title":{"rendered":"The Future Is Not Guessed, It Is Predicted."},"content":{"rendered":"

Prever o Futuro N\u00e3o \u00c9 Opcional<\/h2>\n\n\n\n

A tomada de decis\u00e3o suportada por dados<\/strong> deixou de ser um fator diferenciador entre empresas e passou a ser uma necessidade. Num mercado cada vez mais competitivo, a capacidade de antecipar comportamentos, tend\u00eancias e eventos futuros pode ser o fator-chave que dita o sucesso de uma estrat\u00e9gia.<\/p>\n\n\n\n

\u00c9 evidente que devemos aprender com os erros de experi\u00eancias passadas, evitando repeti-los. Al\u00e9m disso, prever os resultados de certas decis\u00f5es antes de as tomar, apenas com base em dados hist\u00f3ricos, representa uma vantagem significativa.<\/p>\n\n\n\n

No entanto, n\u00f3s, humanos, temos alguma dificuldade em aprender com os erros do passado. Temos ainda maior dificuldade em prever o futuro com algum rigor, com base em informa\u00e7\u00f5es passadas.<\/p>\n\n\n\n

Isto deve-se, muitas vezes, \u00e0s in\u00fameras possibilidades e \u00e0 complexidade das vari\u00e1veis, bem como \u00e0 forma como se relacionam entre si.<\/p>\n\n\n\n

\u00c9 precisamente neste ponto que entram os modelos preditivos de Machine Learning<\/strong>.<\/p>\n\n\n\n

O Que \u00c9 um Modelo Preditivo?<\/h2>\n\n\n\n

Um modelo preditivo<\/strong>, tal como o nome sugere, \u00e9 um modelo matem\u00e1tico que tem como objetivo prever um resultado (vari\u00e1vel based<\/em>) com base nos dados dispon\u00edveis (vari\u00e1veis de entrada).<\/p>\n\n\n\n

Para tal, podem ser utilizados (where<\/strong>, em que os modelos aprendem com dados rotulados, e unsupervised models<\/strong>, em que os modelos analisam dados n\u00e3o rotulados.<\/p>\n\n\n\n

Neste \u00faltimo caso, os modelos procuram encontrar rela\u00e7\u00f5es entre as vari\u00e1veis e agrup\u00e1-las de forma coerente.<\/p>\n\n\n\n

Se quiser saber mais sobre modelos supervisionados e n\u00e3o supervisionados, consulte este artigo sobre Machine Learning<\/a>.<\/p>\n\n\n\n

Atualmente, estes modelos s\u00e3o utilizados em diversas ind\u00fastrias e para m\u00faltiplos fins. Por exemplo, permitem apoiar a previs\u00e3o de vendas<\/strong>, a dete\u00e7\u00e3o de fraudes<\/strong> e o diagn\u00f3stico de doen\u00e7as<\/strong>, entre muitas outras aplica\u00e7\u00f5es.<\/p>\n\n\n\n

Tipos de Modelos Preditivos<\/h2>\n\n\n\n

Na maioria das vezes, quando se fala em modelos preditivos<\/strong>, pensa-se em algoritmos de regress\u00e3o ou de classifica\u00e7\u00e3o.<\/p>\n\n\n\n

Apesar de estes serem os mais conhecidos, existem outros modelos que tamb\u00e9m se enquadram no contexto de antecipa\u00e7\u00e3o de resultados.<\/p>\n\n\n\n

Neste artigo, vamos abordar tr\u00eas dos tipos de modelos preditivos mais conhecidos. Para isso, utilizaremos exemplos pr\u00e1ticos da sua aplica\u00e7\u00e3o e gr\u00e1ficos explicativos.<\/p>\n\n\n\n

Regress\u00e3o \u2013 Previs\u00e3o de Valores Cont\u00ednuos<\/h3>\n\n\n\n

The modelos de regress\u00e3o<\/strong> s\u00e3o aplicados quando a vari\u00e1vel a prever (vari\u00e1vel dependente) \u00e9 num\u00e9rica e cont\u00ednua. Al\u00e9m disso, esta vari\u00e1vel apresenta uma rela\u00e7\u00e3o com as vari\u00e1veis de entrada (vari\u00e1veis independentes).<\/p>\n\n\n\n

Quando essa rela\u00e7\u00e3o \u00e9 linear, estamos perante uma regress\u00e3o linear<\/strong>. Por outro lado, quando a rela\u00e7\u00e3o n\u00e3o \u00e9 linear, como acontece numa rela\u00e7\u00e3o quadr\u00e1tica, estamos perante uma regress\u00e3o polinomial<\/strong>.<\/p>\n\n\n\n

Estes s\u00e3o dois dos tipos de regress\u00e3o mais utilizados.<\/p>\n\n\n\n

Exemplo Pr\u00e1tico de Regress\u00e3o<\/h4>\n\n\n\n

Para ilustrar estes dois tipos de regress\u00e3o, observe os gr\u00e1ficos seguintes.<\/p>\n\n\n\n

No gr\u00e1fico da esquerda, temos uma regress\u00e3o linear. Neste caso, existe uma rela\u00e7\u00e3o constante entre a vari\u00e1vel de entrada (horas de trabalho semanais) e a vari\u00e1vel dependente (rendimento mensal).<\/p>\n\n\n\n

Por outro lado, o gr\u00e1fico da direita representa uma regress\u00e3o polinomial. Neste exemplo, o rendimento aumenta com o n\u00famero de horas trabalhadas at\u00e9 determinado ponto. No entanto, tende a estabilizar ap\u00f3s as 40 horas de trabalho semanal.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Gr\u00e1ficos<\/a><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Cassifica\u00e7\u00e3o \u2013 Previs\u00e3o de Categorias Discretas<\/h3>\n\n\n\n

The modelos de classifica\u00e7\u00e3o<\/strong> s\u00e3o utilizados quando a vari\u00e1vel a prever assume valores categ\u00f3ricos. Por exemplo, estes valores podem ser “sim” ou “n\u00e3o”, “compra” ou “n\u00e3o compra”.<\/p>\n\n\n\n

Assim, o objetivo destes modelos \u00e9 prever a que classe pertence uma nova observa\u00e7\u00e3o, com base nos padr\u00f5es identificados nas observa\u00e7\u00f5es anteriores.<\/p>\n\n\n\n

A classifica\u00e7\u00e3o pode ser bin\u00e1ria<\/strong>, quando o modelo prev\u00ea entre dois poss\u00edveis resultados. Por outro lado, \u00e9 multiclasse<\/strong> quando existem tr\u00eas ou mais resultados poss\u00edveis.<\/p>\n\n\n\n

Exemplo Pr\u00e1tico de Classifica\u00e7\u00e3o<\/h4>\n\n\n\n

Um caso cl\u00e1ssico em que se aplicam modelos de classifica\u00e7\u00e3o \u00e9 a dete\u00e7\u00e3o de spam em e-mails<\/strong>.<\/p>\n\n\n\n

Neste exemplo, o modelo utiliza dados rotulados de e-mails durante o treino. Para isso, considera as vari\u00e1veis “n\u00famero de palavras em mai\u00fasculas” e “n\u00famero de links”.<\/p>\n\n\n\n

Depois do treino, o modelo “desenha” uma fronteira de decis\u00e3o<\/strong>, ilustrada no gr\u00e1fico abaixo. Desta forma, separa as observa\u00e7\u00f5es consideradas “spam” das consideradas “n\u00e3o spam”.<\/p>\n\n\n\n

Neste caso, ao receber um novo e-mail, o modelo procura prever se se trata de spam<\/em> or not spam.<\/em>.<\/p>\n\n\n\n

Para isso, analisa as duas vari\u00e1veis e, consequentemente, a posi\u00e7\u00e3o do e-mail no espa\u00e7o de decis\u00e3o representado abaixo.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Gr\u00e1fico<\/a><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Clustering \u2013 Agrupar com Base nas Semelhan\u00e7as<\/h3>\n\n\n\n

The clustering<\/strong> permite segmentar observa\u00e7\u00f5es em grupos (clusters<\/em>), com base em caracter\u00edsticas comuns.<\/p>\n\n\n\n

Neste processo, o modelo forma grupos de modo que as observa\u00e7\u00f5es dentro do mesmo cluster<\/em> estejam mais pr\u00f3ximas entre si do que das observa\u00e7\u00f5es de outros clusters<\/em>.<\/p>\n\n\n\n

Al\u00e9m disso, este agrupamento \u00e9 especialmente \u00fatil porque permite descobrir padr\u00f5es ou rela\u00e7\u00f5es desconhecidas e pouco evidentes nos dados.<\/p>\n\n\n\n

Exemplo Pr\u00e1tico de Clustering<\/h4>\n\n\n\n

A store online<\/em>, with access to data about its customers, applied a model of clustering<\/strong> com o objetivo de descobrir padr\u00f5es ou perfis de comportamento.<\/p>\n\n\n\n

Desta forma, obteve o seguinte resultado:<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Gr\u00e1fico<\/a><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

A partir do gr\u00e1fico apresentado, podemos concluir que o modelo agrupou os clientes em tr\u00eas grupos diferentes:<\/p>\n\n\n\n