Essa aplicação é capaz de informar seu gênero (Masculino ou Feminino) a partir de 7 perguntas, são elas:
- Cabelo longo?
- Largura da testa(cm)
- Altura da testa(cm)
- Nariz longo?
- Nariz comprido?
- Lábios finos?
- Distância entre nariz e lábios?
Essa aplicação utiliza aprendizagem de máquina, e o modelo foi treinado utilizando um Dataset de domino púlico disponivel no kaggle.
Segue um trecho do Dataset:
| long_hair | forehead_width_cm | forehead_height_cm | nose_wide | nose_long | lips_thin | distance_nose_to_lip_long | gender |
|---|---|---|---|---|---|---|---|
| 1 | 11.8 | 6.1 | 1 | 0 | 1 | 1 | Male |
| 0 | 14 | 5.4 | 0 | 0 | 1 | 0 | Female |
| 0 | 11.8 | 6.3 | 1 | 1 | 1 | 1 | Male |
| 0 | 14.4 | 6.1 | 0 | 1 | 1 | 1 | Male |
| 1 | 13.5 | 5.9 | 0 | 0 | 0 | 0 | Female |
| 1 | 13 | 6.8 | 1 | 1 | 1 | 1 | Male |
Para o modelo de treinamendo da inteligencia artificial foi utilizado a biblioteca de codigo aberto scikit-learn Segue o codigo ultilizado para criação do modelo pkl utilizando o Dataset:
from sklearn import tree,datasets
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import pandas as pd
url = "gender_classification_v7.csv"
data = pd.read_csv(url)
print('---------------data.info()-------------------')
data.info()
print('---------------data.head-------------------')
data.head
x = data.drop("gender",axis=1) #features
y = data['gender'] #labels
print('---------------print(x)-------------------')
print(x)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3, random_state=42)
clf = tree.DecisionTreeClassifier()
clf = clf.fit(x_train, y_train)
predictions=clf.predict(x_test)
print('----------------------------------')
print("Preditos: ",predictions[:20])
print("Real: ",y_test[:20].values)
print("Acurácia: ",accuracy_score(y_test,predictions))
print(clf.predict([[1,1,1,1,1,1,1]]))
print(clf.predict([[9,9,9,9,9,9,9]]))
print(clf.predict([[3,3,3,3,3,3,3]]))
print(clf.predict([[900,900,900,900,900,900,900]]))
a = int(input('long_hair: '))
b = int(input('forehead_width_cm: '))
c = int(input('forehead_height_cm: '))
d = int(input('nose_wide: '))
e = int(input('nose_long: '))
f = int(input('lips_thin: '))
g = int(input('distance_nose_to_lip_long: '))
pred = clf.predict([[a,b,c,d,e,f,g]])
print(pred)
#print(lookup_iris_name[pred[0]])
import pickle
pickle.dump(clf, open('model.pkl','wb'))
Parte do Dataset foi utilizada para o treinamento da IA e parte foi usada para testar o modelo, foi obtido 95.46% de acurácia.
O model.pkl exportado anteriomente foi colocado em produção utilizando flask e está hospedado gratuitamento no heroku.