Exercicio 4 - versão 2

versao 2 - modifiquei os valores para o max_features e para para os neuronios da camada escondida.

Data de entrega 15/5

Use os dados do arquivo abalone Faça os pre-processamentos do exercicio 3.

Usando um 5-fold externo para calcular a accuracia, e um 3-fold interno para a escolha dos hyperparametros, determine qual algoritimo entre kNN, SVM com kernel RBF, redes neurais, Random Forest, e Gradient Boosting Machine tem a maior acuracia. Imprima a acuracia com 3 digitos.

1. Para o kNN, faça um PCA que mantem 90% da variancia. Busque os valores do k entre os valores 1, 5, 11, 15, 21, 25.
2. Para o SVM RBF teste para C=2**(-5), 2**(0), 2**(5), 2**(10) e gamma= 2**(-15) 2**(-10) 2**(-5) 2**(0) 2**(5).
3. Para a rede neural, teste com 3, 7, 10, e 20 neuronios na camada escondida.
4. Para o RF, teste max_features = 2, 3, 5, 7 e n_estimators = 100, 200, 400 e 800.
5. Para o GBM (ou XGB) teste para numero de arvores = 30, 70, e 100, com learning rate de 0.1 e 0.05, e profundidade da arvore=5.Voce pode tanto usar a versao do SKlearn ou o XGBoost.
6. Voce nao precisam fazer os loops da validacao cruzada explicitamente. Pode usar a função GridSearchCV do SKlearn..
7. Reporte a acuracia (com 3 digitos) de cada algoritmo calculada pelo 5-fold CV externo.
8. Para o algoritmo com maior accuracia, reporte o valor dos hiperparamtertos obtidos para gerar o classificador final.