https://github.com/renanholler/ml-clustering-classification

Implementação do projeto da disciplina 65PIN3 – Projeto Integrador III, oferecida pelo curso de Engenharia de Software da Universidade do Estado de Santa Catarina (UDESC).
https://github.com/renanholler/ml-clustering-classification

classification clustering machine-learning python

Last synced: 8 days ago
JSON representation

Implementação do projeto da disciplina 65PIN3 – Projeto Integrador III, oferecida pelo curso de Engenharia de Software da Universidade do Estado de Santa Catarina (UDESC).

• Host: GitHub
• URL: https://github.com/renanholler/ml-clustering-classification
• Owner: renanholler
• Created: 2024-08-09T00:18:09.000Z (3 months ago)
• Default Branch: main
• Last Pushed: 2024-08-09T00:37:33.000Z (3 months ago)
• Last Synced: 2024-08-09T02:01:13.447Z (3 months ago)
• Topics: classification, clustering, machine-learning, python
• Homepage:
• Size: 4.88 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        


  

  



# ML-Clustering-Classification

A tarefa consiste na aplicação de técnicas de agrupamento e classificação de frutas com base em um conjunto de dados fornecido pela empresa fictícia "Grupo Flora", que é especializada na exportação de frutas.

## Descrição do Projeto

O objetivo principal desta tarefa era utilizar técnicas de agrupamento e classificação para analisar um conjunto de dados de frutas, sendo:

1. **Agrupamento de Frutas**: Utilização de um algoritmo de clustering para agrupar frutas com base em suas características.

2. **Classificação de Frutas**: Treinamento de um modelo de classificação usando os grupos formados pelo algoritmo de clustering como uma das variáveis.

## Metodologia

### Agrupamento

Para o agrupamento, foi utilizado o algoritmo K-Means, que é um método amplamente conhecido e eficiente para particionar dados em k grupos baseados em características comuns. A escolha do número de clusters foi determinada usando o método do cotovelo (Elbow Method).

### Classificação

Após o agrupamento, utilizou-se o algoritmo Random Forest para realizar a classificação das frutas. O modelo foi treinado utilizando os grupos formados como uma das variáveis de entrada, além das características originais das frutas.

### Avaliação

A avaliação do modelo foi realizada utilizando uma bateria de testes, com métricas como acurácia, precisão, recall e F1-score para medir o desempenho dos modelos de classificação. Para o agrupamento, foram utilizadas métricas como a inércia (no caso do K-Means) e a silhueta para avaliar a qualidade dos clusters formados.