https://github.com/benzerinsio/floralspecies-ml
🤖 Machine Learning - Flores Iris | Modelos supervisionados para classificação de espécies
https://github.com/benzerinsio/floralspecies-ml
decision-trees k-nn machine-learning machine-learning-algorithms random-forest supervised-learning svm
Last synced: 2 months ago
JSON representation
🤖 Machine Learning - Flores Iris | Modelos supervisionados para classificação de espécies
- Host: GitHub
- URL: https://github.com/benzerinsio/floralspecies-ml
- Owner: benzerinsio
- Created: 2025-02-26T02:30:05.000Z (3 months ago)
- Default Branch: main
- Last Pushed: 2025-03-16T22:05:43.000Z (3 months ago)
- Last Synced: 2025-03-16T23:24:36.368Z (3 months ago)
- Topics: decision-trees, k-nn, machine-learning, machine-learning-algorithms, random-forest, supervised-learning, svm
- Language: Jupyter Notebook
- Homepage:
- Size: 314 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 🌸 Espécies de Flores Iris
*Projeto de Machine Learning - Felipe V. Sousa*
Bem-vindo(a)! Este repositório apresenta um projeto de **Machine Learning** aplicado ao conjunto de dados das flores Iris, com foco na construção e avaliação de modelos para classificar espécies com base em suas características.
🔗 [Visualizar o Notebook](https://github.com/benzerinsio/FloralSpecies-ML/blob/main/ML_iris.ipynb)
## 🎯 Objetivo da Análise
Desenvolver e avaliar modelos de Machine Learning supervisionado para classificar as espécies de flores Iris, utilizando características como comprimento e largura de sépalas e pétalas, com o objetivo de alcançar alta precisão e entender o desempenho dos algoritmos.
## 📊 Fonte de Dados
Os dados provêm de um arquivo CSV disponível publicamente, contendo características das flores Iris e os rótulos das espécies (setosa, versicolor e virginica). O dataset é amplamente utilizado para estudos de classificação.
## 🛠️ Bibliotecas Utilizadas
- **Pandas**: Manipulação e pré-processamento de dados.
- **NumPy**: Operações numéricas e suporte matemático.
- **Seaborn**: Visualização de dados e resultados.
- **Matplotlib**: Geração de gráficos e análises visuais.
- **Scikit-learn**: Implementação de algoritmos de Machine Learning, métricas de avaliação e geração de matriz de confusão.
## 💬 Conclusão
Neste projeto, foram desenvolvidos modelos de Machine Learning supervisionado para classificar as espécies de flores Iris. Após pré-processamento dos dados, testamos algoritmos como SVM, K-NN, decision trees e random forest, avaliando seu desempenho com métricas como acurácia, precisão e recall, além da matriz de confusão. Os resultados demonstraram a capacidade dos modelos em distinguir as espécies com alta eficácia, destacando a importância do ajuste de hiperparâmetros e da escolha do algoritmo para o sucesso da classificação.