AM Supervisionado

AM Supervisionado

Supervisionado

Por
aprendizado de maquina

1. Definição de Inteligência Artificial Supervisionada

A inteligência artificial supervisionada (ou aprendizado de máquina supervisionado) é um paradigma fundamental da IA que consiste em treinar algoritmos a partir de um conjunto de dados rotulados[1]. Mas o que isso significa na prática? Imagine que você quer ensinar uma criança a identificar diferentes frutas. Você mostra a ela diversas maçãs, bananas e laranjas, dizendo o nome de cada uma. Com o tempo, ela aprende a reconhecer as características de cada fruta e consegue identificá-las sozinha. No aprendizado supervisionado, o processo é análogo: fornecemos ao algoritmo exemplos de entradas (features) e as saídas corretas (rótulos ou labels) correspondentes[3].

Formalmente, o objetivo do aprendizado supervisionado é aprender uma função ou mapeamento que relacione as variáveis de entrada às variáveis de saída[10]. O algoritmo analisa o conjunto de dados de treinamento — composto por pares (entrada, saída) — e ajusta seus parâmetros internos para minimizar o erro entre suas previsões e os valores reais[1]. Uma vez treinado, o modelo pode fazer previsões sobre novos dados que nunca viu antes[7].

Analogia Prática: Para prever o preço de uma casa (saída), você pode fornecer ao algoritmo características como tamanho, número de quartos e localização (entradas). O modelo aprenderá a relação entre essas características e os preços a partir de exemplos históricos e, então, poderá estimar o preço de uma nova casa[3].

Este é o tipo mais comum e difundido de aprendizado de máquina[8], sendo a base para muitas das aplicações de IA que usamos no dia a dia, como filtros de spam, sistemas de recomendação e reconhecimento de imagens[7].

2. Características Principais

O aprendizado supervisionado possui características distintas que o diferenciam de outros paradigmas, como o não supervisionado e o por reforço:

  • Dependência de Dados Rotulados: É a característica mais marcante. O algoritmo requer um conjunto de dados onde cada exemplo já possui a resposta correta[1][9]. Esse processo de rotulação, frequentemente feito por humanos, é caro, trabalhoso e demorado[2][9].
  • Objetivo Claro e Definido: O modelo é treinado com um objetivo específico em mente: prever um rótulo conhecido[9]. Isso torna o processo mais “guiado” em comparação com o aprendizado não supervisionado, que busca padrões ocultos.
  • Avaliação Direta de Desempenho: Como conhecemos as respostas corretas dos dados de treinamento, podemos medir o desempenho do modelo com métricas objetivas, como a acurácia (percentual de acertos)[10]. Isso permite um refinamento contínuo do algoritmo.
  • Generalização: O objetivo final é que o modelo aprenda padrões que lhe permitam generalizar, ou seja, fazer previsões precisas para dados completamente novos e não vistos durante o treinamento[6].

3. Subdivisões do Aprendizado Supervisionado

O aprendizado supervisionado se divide em duas grandes categorias, definidas pelo tipo de saída que se deseja prever[1][7]:

3.1 Classificação

A classificação é usada quando a variável de saída é categórica, ou seja, pertence a um conjunto finito e discreto de classes ou categorias[3]. O objetivo é atribuir um rótulo de classe a cada nova entrada. Ela se subdivide em:

  • Classificação Binária: O modelo prevê uma de duas classes mutuamente exclusivas[3]. Os exemplos mais comuns incluem:
    • Identificar se um e-mail é spam ou não spam[7].
    • Determinar se um paciente tem ou não uma doença com base em exames clínicos[3].
    • Prever se uma transação financeira é fraudulenta ou legítima[7].
  • Classificação Multiclasse: O modelo prevê uma classe entre três ou mais opções[3]. Alguns exemplos são:
    • Reconhecer a espécie de um animal (cachorro, gato, pássaro, etc.) em uma imagem[3].
    • Classificar o gênero de um filme (comédia, terror, drama, etc.)[3].
    • Categorizar um documento como sendo de política, esportes, economia, etc.

3.2 Regressão

A regressão é aplicada quando a variável de saída é um valor numérico contínuo (ou real)[1]. O objetivo é estimar um valor quantitativo com base nas variáveis de entrada[9]. Exemplos típicos incluem:

  • Previsão de preços: Estimar o preço de venda de um imóvel com base em suas características[3].
  • Previsão de demanda: Projetar o volume de vendas de um produto para o próximo mês[9].
  • Previsões financeiras e meteorológicas: Estimar a temperatura futura ou o retorno de um investimento[6].

4. Algoritmos Comuns

Uma vasta gama de algoritmos pode ser empregada para tarefas supervisionadas, cada um com suas próprias características e adequações[5][8]:

  • Regressão Linear e Logística: Algoritmos simples e fundamentais. A regressão linear é usada para problemas de regressão, enquanto a regressão logística, apesar do nome, é amplamente utilizada para classificação binária[8].
  • Árvores de Decisão e Random Forest: Modelos baseados em árvores que são intuitivos e poderosos para tarefas de classificação e regressão[5].
  • Máquinas de Vetores de Suporte (SVM): Algoritmos robustos que buscam encontrar a melhor fronteira para separar classes em problemas de classificação[5].
  • Redes Neurais Artificiais: Modelos inspirados no cérebro humano, capazes de aprender padrões extremamente complexos. Redes com muitas camadas (deep learning) são um subconjunto desse grupo e têm se destacado em tarefas como visão computacional e processamento de linguagem natural[6].
  • k-Nearest Neighbors (k-NN): Algoritmo baseado em instâncias que classifica um novo ponto com base na classe da maioria de seus vizinhos mais próximos no espaço de características[8].

5. Aplicações Práticas e Tendências

O aprendizado supervisionado é onipresente e suporta inúmeras aplicações em diversos setores[10]:

  • Saúde: Diagnóstico de doenças a partir de imagens médicas, previsão de riscos para pacientes, descoberta de novos medicamentos[7].
  • Finanças: Detecção de fraudes, análise de risco de crédito, previsão de preços de ações[7].
  • Marketing e Varejo: Sistemas de recomendação, segmentação de clientes, previsão de churn (cancelamento), otimização de preços[7].
  • Indústria e Manufatura: Manutenção preditiva de máquinas, controle de qualidade, otimização de processos produtivos[5].
  • Tecnologia e Internet: Filtros de spam, reconhecimento facial, assistentes virtuais, tradução automática[7].

Como tendência, observa-se um movimento crescente para técnicas que reduzem a dependência de grandes volumes de dados rotulados[2]. Aprendizado semi-supervisionado (que usa uma pequena quantidade de dados rotulados e uma grande quantidade de dados não rotulados) e técnicas de few-shot learning (que aprendem a partir de poucos exemplos) são áreas de pesquisa ativa que prometem tornar o aprendizado supervisionado mais acessível e eficiente[2][9].

Referências

  1. Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31, 685–695. doi:10.1007/s12525-021-00475-2
  2. Zylbersztajn, M. A. (2020). Aprendizado de máquina supervisionado e não supervisionado: aplicações em educação. PUC-SP.
  3. Microsoft Learn. (2026). Types of machine learning model – Training. Microsoft Documentation
  4. ScienceDirect. (2022). Supervised learning: From theory to applications. doi:10.1016/B978-0-12-824054-0.00026-5
  5. UFU/SEI. (2025). Componente Curricular: Aprendizado de Máquina Supervisionado. UFU
  6. Cornell Virtual Workshop. (2026). Python for Data Science – Machine Learning. Cornell University
  7. Google Cloud. (2025). What is Supervised Learning?. Google Cloud Documentation
  8. DIO. (2025). Introdução aos Principais Tipos de Aprendizado de Máquina. Digital Innovation One
  9. Harvard Business School Online. (2026). Supervised vs. Unsupervised Learning in AI: Key Differences. HBS Online
  10. Suthaharan, S. (2016). Supervised Learning. In: Machine Learning Models and Algorithms for Big Data Classification. Springer, Boston, MA. doi:10.1007/978-1-4899-7641-3_4

Árvore de Decisão

Por
árvore de ipê rosa

Entendendo a regressão com árvore de decisão

A regressão com árvore de decisão é um modelo supervisionado. Ele prevê valores numéricos contínuos, como preços de casas. Diferentemente da classificação, a saída aqui é um número real. Por exemplo, podemos prever a temperatura de amanhã. Este modelo divide os dados em regiões retangulares. Cada região recebe um valor constante de predição. A estrutura lembra uma árvore invertida com galhos e folhas.

As características principais incluem simplicidade e interpretabilidade. A árvore é construída por meio de divisões recursivas. Cada divisão usa uma característica e um ponto de corte. O objetivo é minimizar o erro quadrático médio local. Modelos mais profundos podem sofrer de overfitting. Por isso, o controle da complexidade é essencial. A predição final é a média dos valores na folha.

Arquitetura e componentes internos

A arquitetura começa com o nó raiz, que contém todos os dados. Cada nó interno testa uma única característica. O teste pergunta: o valor é menor que um limiar? Conforme a resposta, os dados seguem para um ramo. Esse processo se repete até chegar aos nós folha. Cada folha armazena um valor constante predito. Em regressão, esse valor é a média dos alvos locais. A profundidade da árvore é o maior número de divisões. Quanto mais folhas, mais complexo é o modelo final.

A construção usa um algoritmo guloso por eficiência. Ele busca a melhor divisão em cada etapa local. A métrica típica é a redução da variância. A fórmula da variância de um nó é: \(\sigma^2 = \frac{1}{N}\sum_{i=1}^{N} (y_i – \bar{y})^2\). A redução da variância após divisão é calculada assim: \(\Delta = \sigma^2_{pai} – \left( \frac{N_{esq}}{N_{pai}} \sigma^2_{esq} + \frac{N_{dir}}{N_{pai}} \sigma^2_{dir} \right)\). A divisão escolhida maximiza esse delta positivo. Esse processo é repetido até um critério de parada.

Hiperparâmetros essenciais

Os hiperparâmetros controlam o crescimento da árvore. A profundidade máxima limita quantas divisões são feitas. O número mínimo de amostras por folha evita folhas vazias. O número mínimo para divisão impede divisões muito pequenas. Esses parâmetros podem ser ajustados por validação cruzada. Árvores muito profundas geralmente memorizam ruídos. Árvores rasas podem não capturar padrões complexos. Um equilíbrio é alcançado com hiperparâmetros adequados. É comum usar poda ou restrições para regularizar.

Outros parâmetros incluem o critério de divisão. O erro quadrático médio (MSE) é a função padrão. A fórmula do MSE em um nó é apresentada abaixo: \(MSE = \frac{1}{N} \sum_{i=1}^{N} (y_i – \hat{y})^2\). Nessa expressão, \(\hat{y}\) é a média local. Modelos de árvore são frequentemente combinados em florestas. Florestas aleatórias melhoram a precisão pela média de árvores. Contudo, a árvore única já é um ótimo ponto de partida. A interpretabilidade é mantida em árvores de pequena profundidade.

Exemplo prático em Python

Abaixo está um código para rodar no Google Colab. Ele gera dados sintéticos e treina uma árvore de regressão. O gráfico mostra a predição sobreposta aos dados reais. Certifique-se de instalar as bibliotecas necessárias. O código usa scikit-learn, matplotlib e numpy.

O código cria 80 pontos com relação senoidal e ruído. A árvore usa profundidade máxima 4 para evitar overfitting. O gráfico resultante mostra degraus horizontais típicos. Cada degrau corresponde a uma região de uma folha. Isso ilustra perfeitamente como a árvore particiona o espaço. Alterar a profundidade para 20 produziria muitos degraus. Assim, o modelo se ajustaria excessivamente ao ruído. Por fim, recomenda-se explorar outros hiperparâmetros. Essa abordagem é poderosa e fácil de interpretar.