Poc_ML

Projeto de Machine Learning para classificação de flores Iris usando diversos algoritmos e deploy via API FastAPI.

Descrição

Este projeto implementa e compara diferentes modelos de Machine Learning (Regressão Logística, KNN, SVM e Random Forest) para classificar flores do dataset Iris. Inclui uma API REST para realizar predições em tempo real.

Instalação

1. Clone o repositório:

git clone https://github.com/IvoAP/Poc_ML.git
cd Poc_ML

2. Instale as dependências usando uv:

uv sync

Como Usar

1. Treinar o Modelo

Execute o notebook main.ipynb para treinar os modelos e gerar os arquivos:

• iris_model.joblib (modelo treinado)
• iris_scaler.joblib (scaler para normalização)

2. Executar a API

Para rodar o servidor FastAPI:

uvicorn deploy:app --reload

A API estará disponível em: http://127.0.0.1:8000

3. Testar a API

Acesse a documentação interativa em: http://127.0.0.1:8000/docs

Ou faça uma requisição POST para /predict com os dados da flor:

{
  "sepal_length": 5.1,
  "sepal_width": 3.5,
  "petal_length": 1.4,
  "petal_width": 0.2
}

Exemplo de resposta esperada:

{
  "species": "setosa",
  "probability": 0.99
}

Métricas Avaliadas

• Acurácia
• F1-Score (Macro)
• Precision (Macro)
• Recall (Macro)
• Cohen's Kappa
• MCC (Matthews Correlation Coefficient)

Estrutura do Projeto

Poc_ML/
├── main.ipynb           # Notebook com análise e treinamento
├── deploy.py            # API FastAPI para predições
├── iris_model.joblib    # Modelo treinado
├── iris_scaler.joblib   # Scaler para normalização
├── pyproject.toml       # Dependências do projeto
└── README.md            # Este arquivo