Comitê de Classificadores | Projeto N1

Google Colab: https://colab.research.google.com/drive/1djx2s_zzAdDCwhxLfm3WgwBZnAHMP3Ze?usp=sharing

---

Grupo:

• Gustavo Henrique Martins
• Ícaro Botelho
• Maria Clara Seixa Scheffel
• Maruan Biasi El Achkar
• Ricardo Falcão Schlieper

Dataset escolhido: Rain in Australia

• Detalhado em: /dataset
• Fonte: https://www.kaggle.com/datasets/jsphyg/weather-dataset-rattle-package

Algoritmos escolhidos:

• 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)

---

Roteiro de atividades:

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).