# Como escolher o algoritmo ideal?

Como são várias as formas de se chegar a um resultado com ML, e por existir diversas abordagens, é preciso saber bem como escolher o algoritmo mais adequado ao problema proposto. Veja abaixo um **resumo simplificado** e logo em seguida algumas dicas que não podem ser esquecidas.

![Imagem: https://vas3k.com/blog/machine\_learning/](/files/-M4RL2Nidx7YHgx4cEmd)

## Finalidade do problema

É importante conhecer bem a finalidade e o contexto do caso que deve ser processado pela máquina, com detalhes específicos, pois eles ajudam a selecionar o melhor jeito de tratar os dados.

Caso exista um objetivo bem definido, com saídas conhecidas, o ideal pode ser um método de aprendizagem supervisionada. Dentro dessa abordagem, caso o resultado seja um valor numérico, é possível usar regressão. Caso sejam categorias, classificação.

## Quantidade de dados

Outro aspecto relevante é a quantidade de dados que será utilizada para alimentar o software. Redes neurais, por exemplo, geralmente precisam de grandes conjuntos de entrada.

É importante conhecer bem e se ater ao tamanho das bases para estabelecer qual método seguir, pois cada um lida com a quantidade de uma forma diferente. Além disso, caso a base de dados seja muito grande e o algoritmo demasiado complexo, pode ser preciso fazer uma avaliação a respeito da capacidade computacional necessária para a execução do algoritmo.

## Complexidade do problema e acurácia

A complexidade do problema também é uma questão importante, pois isso determina o grau de acurácia desejado. Com isso, é possível selecionar qual algoritmo se encaixa melhor nesse grau de precisão analisando fatores como a periculosidade de um erro e as consequências que eles podem trazer.

{% hint style="danger" %}
Há também características que podem inviabilizar a escolha do modelo mais preciso para determinado problema, como a utilização **alto poder computacional**.
{% endhint %}


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://carlossalesti.gitbook.io/machine-learning/como-escolher-o-algoritmo-ideal.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.