autentisitet/python-sklearn-workflow

Fluxo de Trabalho Python Scikit-Learn

Ativação

• Gatilho de palavra-chave: a tarefa envolve substancialmente seleção de modelos scikit-learn, KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit, cross_validate, GridSearchCV, RandomizedSearchCV, curvas de aprendizado/validação, PCA, sklearn.inspection, ColumnTransformer ou Pipeline.
• Gatilho de intenção: o usuário pergunta como dividir, pré-processar, ajustar, diagnosticar ou interpretar um modelo scikit-learn sem vazamento.
• Divulgação: uma vez ao iniciar o trabalho aplicável, declare brevemente: Usando $python-sklearn-workflow porque esta tarefa envolve avaliação ou pré-processamento scikit-learn.
• Saída: pare de aplicar este skill quando os contratos de divisão, CV, pré-processamento, busca e diagnóstico estiverem definidos.
• Não ativar: uma atualização de dependência, rastreamento de experimentos quando a divisão/ajuste já estão fixos, chamada comum de predict em um estimador já ajustado, plotagem apenas de relatório a partir de previsões já computadas, pergunta isolada sobre API de estimador, pipeline de aprendizado profundo ou import incidental são insuficientes. A plotagem pertence aqui apenas quando a tarefa altera a pontuação, o design da avaliação, a metodologia de diagnóstico ou a inspeção do modelo.

---

Comece com a Unidade de Avaliação

Antes de escolher um divisor, identifique o que deve permanecer independente entre o treino e a avaliação:

• observações IID individuais;
• rótulos de classe com resultados raros;
• usuários, pacientes, dispositivos, sessões, locais ou outros grupos;
• observações cronológicas futuras; ou
• uma combinação de balanceamento de classe e grupos não sobrepostos.

Escolha o conjunto de teste e a estratégia de CV a partir dessa unidade, não a partir de uma porcentagem padrão preferida. Leia references/model-selection-guide.md para escolhas de divisor e busca.

---

Mantenha o Pré-processamento Dentro do Fold

• Separe qualquer conjunto de teste final antes de ajustar escalonadores, imputadores, codificadores, seletores de características, PCA ou outras transformações aprendidas.
• Coloque o pré-processamento aprendido e o estimador em Pipeline para que cada fold de CV ajuste as transformações apenas em sua partição de treino.
• Use ColumnTransformer quando subconjuntos de colunas numéricas, categóricas, texto ou outros precisarem de transformações diferentes.
• Pesquise parâmetros aninhados através de nomes de pipeline como preprocess__numeric__scaler ou model__C.
• Não pré-processe manualmente o conjunto de dados completo antes de cross_val_score, cross_validate, busca em grade ou busca aleatória.

Leia references/preprocessing-inspection.md para PCA, inspeção e colunas heterogêneas.

---

Selecione Ferramentas de Avaliação e Busca Deliberadamente

• Use cross_val_score para uma métrica e pontuações simples de folds.
• Use cross_validate quando múltiplas métricas, pontuações de treino, tempos de ajuste/pontuação ou estimadores retornados forem realmente necessários.
• Use GridSearchCV para uma grade de parâmetros pequena, discreta e justificada onde combinações exaustivas cabem no orçamento computacional.
• Use RandomizedSearchCV para espaços maiores, distribuições ou um orçamento fixo de candidatos. Defina n_iter e distribuições de parâmetros deliberadamente.
• Mantenha a mesma semântica de CV e contrato de pontuação em todas as comparações de modelo. Passe grupos/metadados corretamente quando o divisor exigir.
• Preserve um conjunto de teste intocado ou use uma avaliação aninhada apropriada quando a seleção de modelo consome todos os folds de desenvolvimento.

---

Adicione Curvas e Inspeção para Responder a uma Pergunta

• Use learning_curve para perguntar se mais dados de treino provavelmente reduzirão uma lacuna treino/validação ou se ambas as pontuações estabilizaram.
• Use validation_curve para inspecionar o comportamento treino/validação de um hiperparâmetro. Não substitui a busca multiparâmetro ou o teste final.
• Use sklearn.inspection.permutation_importance para medir a dependência da pontuação de um modelo ajustado em relação às características, preferencialmente em dados não vistos após confirmar que o modelo tem desempenho preditivo útil.
• Use dependência parcial ou ICE apenas quando suas suposições e a distribuição das características tornarem o resultado interpretável.
• Não adicione gráficos de inspeção mecanicamente. Defina primeiro a questão de depuração, confiabilidade ou interpretabilidade.

---

Saída Necessária

Declare a unidade de avaliação independente; a justificativa da proporção de retenção; o divisor de CV e a pontuação selecionados; o posicionamento do pré-processamento/PCA; o orçamento da busca em grade ou aleatória; se as curvas de aprendizado/validação respondem a uma pergunta concreta; o método de inspeção e o conjunto de dados; os controles de vazamento; e o caminho de avaliação final não tocado.