Folders and files
| Name | Name | Last commit date | ||
|---|---|---|---|---|
- O Colab está com problemas no versionamento, recomendo visualizar o arquivo .ipynb aqui deste repo para ver a versão mais recente.
- Gustavo Henrique Martins
- Ícaro Botelho
- Maria Clara Seixa Scheffel
- Maruan Biasi El Achkar
- Ricardo Falcão Schlieper
- Detalhado em: /dataset
- Fonte: https://www.kaggle.com/datasets/jsphyg/weather-dataset-rattle-package
- K-Nearest Neighbors (KNN)
- Decision Tree Classifier (Tree-Based)
- Random Forest Classifier (Tree-Based)
- XGBoost Classifier (Tree-Based)
- LightGBM Classifier (Tree-Based)
- CatBoost Classifier (Tree-Based)
- Perceptron
- Gaussian Naive Bayes (Naive Bayes)
- Support Vector Classification (SVC)
- Multi-Layer Perceptron (MLPClassifier)
- AdaBoost Classifier (Ensemble Methods)
- Quadratic Discriminant Analysis (QDA)
| Model | Accuracy | Precision | Recall | F1-score |
|---|---|---|---|---|
| LightGBM | 0.8646 | 0.7574 | 0.5666 | 0.6483 |
| CatBoost | 0.8633 | 0.7618 | 0.5521 | 0.6402 |
| Random Forest | 0.8600 | 0.7626 | 0.5288 | 0.6245 |
| SVC | 0.8585 | 0.7865 | 0.4905 | 0.6042 |
| MLPClassifier | 0.8581 | 0.7456 | 0.5400 | 0.6264 |
| XGBoost | 0.8569 | 0.7319 | 0.5525 | 0.6297 |
| AdaBoost | 0.8502 | 0.7252 | 0.5151 | 0.6024 |
| KNN | 0.8405 | 0.6852 | 0.5099 | 0.5847 |
| QDA | 0.8381 | 0.6568 | 0.5545 | 0.6014 |
| Perceptron | 0.8298 | 0.6205 | 0.5855 | 0.6025 |
| Decision Tree | 0.7979 | 0.5409 | 0.5453 | 0.5431 |
| Gaussian Naive Bayes | 0.7315 | 0.4374 | 0.7178 | 0.5435 |
- Algoritmo: LightGBM
- Acurácia: 0.8646
- Precisão: 0.7574
- Recall: 0.5666
- F1-score: 0.6483
- Algoritmo: Gaussian Naive Bayes
- Acurácia: 0.7315
- Precisão: 0.4374
- Recall: 0.7178
- F1-score: 0.5435
Objetivo:
- Criar um programa classificador (comitê de Classificadores) com aprendizagem supervisionada e empregando ao menos 2 (dois) classificadores em um Data Set que possua rótulos verdadeiros da classe. Deve escolher um Data Set para aplicar a classificação. Após a classificação, deverá comparar os classificadores para chegar à conclusão de qual algoritmo de aprendizado de máquinas teve o melhor resultado.
Algoritmos Sugeridos:
- KNN
- Árvores de Decisão
- Redes Neurais
- Naive Bayes
- SVM
- etc.
Etapas para documentação:
-
Pesquisar e escolher um Data Set. Estudar o Data Set para conhecer as instâncias, as classes, as características dos atributos e as quantidades de instâncias e atributos, entre outras informações pertinentes.
-
Definir as informações do Data Set, das Instâncias e dos Atributos. Deve descrever a Base de Dados, explicando as variáveis, o que cada uma representa, quais os tipos de variáveis.
-
Definir qual será a variável target (rótulo da classe) que usará no projeto. Variável target será a variável de saída, a variável que se deseja “prever” algo, qual será a conclusão que se quer chegar.
-
Escolher no mínimo 2 (dois) algoritmos de Machine Learning para criar o comitê de classificadores.
-
O documento deve conter os resultados obtidos em cada Classificador. Apresentar as seguintes métricas: acurácia (taxa de acerto); taxa de erro; matriz de confusão com as métricas Precisão e Sensibilidade/Recall, F1. Esses resultados devem estar justificados.
-
Comparar os resultados do Comitê de Classificadores. Usar um gráfico do tipo Curva ROC (Receiver Operating Characteristics) para exibir a comparação entre os classificadores.
-
A entrega deve ser feita por um link Google Colab (outros formatos devem ser solicitados a priori).