Python e Machine Learning: Criando Seu Primeiro Modelo de Classificação 🐍🤖

Python é a linguagem de programação preferida para a ciência de dados e o machine learning, graças à sua sintaxe simples e à vasta gama de bibliotecas disponíveis. Neste tutorial, vamos usar Python e a biblioteca Scikit-Learn para criar nosso primeiro modelo de classificação.

Anúncio

Preparando o Ambiente

Antes de começar, você precisa ter o Python e o pip (Python Package Index) instalados no seu computador. Se ainda não tiver, pode baixar o Python e o pip aqui.

Depois de instalados, instale o Scikit-Learn, a biblioteca que usaremos para criar nosso modelo de classificação:

pip install scikit-learn

Carregando os Dados

O Scikit-Learn vem com vários conjuntos de dados que podemos usar para experimentar. Para este tutorial, vamos usar o conjunto de dados Iris, que é um conjunto de dados multivariados introduzido pelo estatístico britânico e biólogo Ronald Fisher. Esse conjunto de dados consiste em 50 amostras de cada uma das três espécies de Iris (Iris Setosa, Iris Virginica e Iris Versicolor). Quatro características foram medidas em cada amostra: o comprimento e a largura das sépalas e pétalas.

Vamos carregar o conjunto de dados e dar uma olhada nele:

from sklearn import datasetsiris = datasets.load_iris()print(iris.data)

Criando o Modelo

Agora que temos os nossos dados, podemos criar o nosso modelo de classificação. Vamos usar o algoritmo de K-Nearest Neighbors (KNN), que é um algoritmo simples e eficaz para começar:

from sklearn import neighborsknn = neighbors.KNeighborsClassifier()knn.fit(iris.data, iris.target)

Fazendo Previsões

Depois de treinado, nosso modelo está pronto para fazer previsões. Vamos prever a espécie de uma flor de Iris com 3cm x 5cm de sépala e 4cm x 2cm de pétala:

print(knn.predict([[3, 5, 4, 2]]))

Conclusão

E é isso! Você criou e usou seu primeiro modelo de classificação em Python com Scikit-Learn. Claro, este é um exemplo muito básico, e na prática você precisaria dividir seu conjunto de dados em um conjunto de treinamento e um conjunto de testes, avaliar o seu modelo e muito mais. Mas esperamos que este tutorial tenha te dado uma ideia de como começar a criar seus próprios modelos de machine learning.

Para continuar aprimorando suas habilidades no Python e machine learning, confira o artigo sobre Python: Construindo uma Aplicação Web Básica.