O objetivo é treinar um modelo de regressão logística para classificar corretamente as observações como pulsares ou não-pulsares, utilizando apenas os atributos fornecidos. O arquivo de dados está disponível em pulsar.csv.
Descrição do Dataset
O dataset é composto por 17.898 observações, cada uma representando medições estatísticas de sinais obtidos por radiotelescópios. Abaixo estão os oito atributos disponíveis:
- Mean of the integrated profileMédia do perfil integrado do sinal, que representa a média da intensidade do sinal ao longo do tempo.
- Standard deviation of the integrated profileDesvio padrão do perfil integrado, indicando a variação da intensidade em torno da média.
- Excess kurtosis of the integrated profileCurtose excessiva do perfil integrado, que mede a "cauda" da distribuição do sinal em relação a uma distribuição normal.
- Skewness of the integrated profileAssimetria do perfil integrado, representando o grau de distorção da distribuição do sinal em torno da média.
- Mean of the DM-SNR curveMédia da curva DM-SNR (medida da razão sinal-ruído em função da dispersão), que quantifica a intensidade média do sinal ajustado por diferentes dispersões.
- Standard deviation of the DM-SNR curveDesvio padrão da curva DM-SNR, indicando a variabilidade da razão sinal-ruído em diferentes dispersões.
- Excess kurtosis of the DM-SNR curveCurtose excessiva da curva DM-SNR, avaliando a presença de picos extremos na distribuição da razão sinal-ruído.
- Skewness of the DM-SNR curveAssimetria da curva DM-SNR, que mostra a inclinação da distribuição da razão sinal-ruído em relação à média.
- target_classClasse alvo binária que indica o tipo de objeto:
- 1: Pulsares reais (estrelas de nêutrons altamente magnetizadas)
- 0: Não-pulsares (ruído ou outras fontes astrofísicas)
Observação
O dataset se encontra compactado na seção de recursos, é necessário extrair primeiro.
Entrega
Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.
Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?
É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!
Feito com 💜 por Rocketseat 👋
O objetivo é treinar um modelo de regressão logística para classificar corretamente as observações como pulsares ou não-pulsares, utilizando apenas os atributos fornecidos. O arquivo de dados está disponível em pulsar.csv.
Descrição do Dataset
O dataset é composto por 17.898 observações, cada uma representando medições estatísticas de sinais obtidos por radiotelescópios. Abaixo estão os oito atributos disponíveis:
- Mean of the integrated profileMédia do perfil integrado do sinal, que representa a média da intensidade do sinal ao longo do tempo.
- Standard deviation of the integrated profileDesvio padrão do perfil integrado, indicando a variação da intensidade em torno da média.
- Excess kurtosis of the integrated profileCurtose excessiva do perfil integrado, que mede a "cauda" da distribuição do sinal em relação a uma distribuição normal.
- Skewness of the integrated profileAssimetria do perfil integrado, representando o grau de distorção da distribuição do sinal em torno da média.
- Mean of the DM-SNR curveMédia da curva DM-SNR (medida da razão sinal-ruído em função da dispersão), que quantifica a intensidade média do sinal ajustado por diferentes dispersões.
- Standard deviation of the DM-SNR curveDesvio padrão da curva DM-SNR, indicando a variabilidade da razão sinal-ruído em diferentes dispersões.
- Excess kurtosis of the DM-SNR curveCurtose excessiva da curva DM-SNR, avaliando a presença de picos extremos na distribuição da razão sinal-ruído.
- Skewness of the DM-SNR curveAssimetria da curva DM-SNR, que mostra a inclinação da distribuição da razão sinal-ruído em relação à média.
- target_classClasse alvo binária que indica o tipo de objeto:
- 1: Pulsares reais (estrelas de nêutrons altamente magnetizadas)
- 0: Não-pulsares (ruído ou outras fontes astrofísicas)
Observação
O dataset se encontra compactado na seção de recursos, é necessário extrair primeiro.
Entrega
Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.
Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?
É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!
Feito com 💜 por Rocketseat 👋
