Mãos à Obra: Aprendizado de Máquina com Scikit-Learn e TensorFlow

Descubra e Visualize os Dados para Obter Informações | 65

• Não proliferação de classes. Os conjuntos de dados são representados como arrays

NumPy ou matrizes esparsas SciPy em vez de classes caseiras. Os hiperparâmetros

são apenas strings ou números Python.

•

Composição. Os blocos de construção existentes são reutilizados tanto quanto possível.

Por exemplo, é fácil criar um estimador Pipeline seguido por um estimador final a

partir de uma sequência arbitrária de transformadores, como veremos mais à frente.

• Padrões sensíveis. O Scikit-Learn fornece valores padrão razoáveis para a maioria

dos parâmetros, facilitando a criação rápida de u