Como classificar flores Iris com Python e KNN

8.7K views
•
October 14, 2017
by
Sandeco
YouTube video player
Como classificar flores Iris com Python e KNN

TL;DR

Para identificar a espécie de uma flor Iris, o exemplo usa um classificador KNN com três vizinhos e quatro medidas: comprimento e largura das sépalas e pétalas. O processo separa as características dos rótulos, treina o modelo com 150 flores e prevê a espécie de novos exemplares pela proximidade com os dados conhecidos. A base contém setosa, versicolor e virginica, com 50 amostras de cada espécie.

Transcript

[Música] bom dia boa tarde boa noite pra você que está agora mais uma vez assistindo um vídeo do canal são deco meu nome é sanderson macedo eu sou professor e pesquisador na área de inteligência artificial e deita saias muito bem hoje vai ser um vídeo altamente prático né nós vamos desenvolver uma inteligência artificial será capaz de distinguir ti... Read More

Key Insights

  • A base Iris contém 150 flores, distribuídas igualmente entre setosa, versicolor e virginica.
  • Cada flor possui quatro medidas: comprimento e largura das sépalas e também das pétalas.
  • A classificação é supervisionada porque as amostras usadas pelo modelo têm espécies identificadas.
  • O pandas carrega o arquivo CSV em um DataFrame, permitindo examinar colunas e estatísticas.
  • O gráfico de dispersão combina características e usa cores para distinguir as classes de flores.
  • A variável X reúne as medidas das flores, enquanto y armazena os rótulos da coluna target.
  • O KNN usa três vizinhos próximos e escolhe a classe com mais representantes nesse grupo.
  • Os exemplos de previsão apresentados retornam versicolor e setosa a partir de novas medidas.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como criar um classificador de flores Iris com Python e KNN?

O procedimento apresentado começa com a leitura de um arquivo CSV da base Iris em um DataFrame do pandas, dentro do Jupyter. Em seguida, são examinadas as colunas, as amostras e as estatísticas dos dados. As quatro medidas das flores são separadas na variável X, enquanto os rótulos da coluna target ficam em y. O classificador KNeighborsClassifier é configurado com três vizinhos e recebe essas variáveis na chamada fit. Para identificar outra flor, a chamada predict recebe um vetor contendo suas medidas de sépalas e pétalas.

Q: Quais dados são usados para identificar as espécies de flores Iris?

A identificação utiliza o comprimento e a largura das sépalas e o comprimento e a largura das pétalas, medidos em centímetros. Essas quatro características descrevem cada exemplar da base Iris. O conjunto apresentado contém 150 flores, sendo 50 de Iris setosa, 50 de Iris versicolor e 50 de Iris virginica. Além das medidas, os dados incluem a espécie correspondente a cada amostra, representada pela coluna target no exemplo. O classificador recebe as características e os rótulos para depois atribuir uma espécie a novas medidas fornecidas.

Q: Por que a classificação das flores Iris é um aprendizado supervisionado?

A classificação apresentada é supervisionada porque o modelo recebe exemplos cujas espécies já são conhecidas. Cada flor da base possui quatro medidas e um rótulo que identifica sua classe. Na preparação dos dados, as medidas são reunidas em X e as classes em y. Essas duas informações são fornecidas ao classificador na chamada fit. O objetivo é usar os exemplares identificados para prever a espécie de outra flor. Assim, a relação entre características e classes conhecidas orienta a classificação de um novo conjunto de medidas.

Q: Como o KNN escolhe a espécie de uma nova flor?

O KNN calcula a distância entre um novo exemplar e os exemplares conhecidos, selecionando os vizinhos mais próximos. No exemplo, o classificador considera três vizinhos e conta quantos pertencem a cada classe. A classe com mais representantes nesse grupo determina a classificação apresentada. A explicação usa uma ilustração com quadrados e triângulos: o novo ponto recebe a classe dos triângulos quando eles predominam entre os três mais próximos. Para as flores, esse mesmo raciocínio utiliza as medidas de sépalas e pétalas para escolher a espécie.

Q: Como separar as características das flores e os rótulos no pandas?

As características e os rótulos são separados a partir do DataFrame que contém a base Iris. Para construir X, o exemplo remove a coluna target com drop e transforma os valores restantes em um array do NumPy. Dessa forma, X contém somente as quatro medidas de cada flor. Para construir y, seleciona apenas a coluna target e também a transforma em um array. O resultado são duas variáveis com funções distintas: X fornece as características usadas na comparação entre exemplares, enquanto y fornece as classes correspondentes durante o treinamento.

Q: Para que serve o gráfico de dispersão na análise da base Iris?

O gráfico de dispersão permite observar como as flores se distribuem quando suas características são combinadas. O exemplo utiliza seaborn e diferencia as espécies por cores, com base na coluna target. A visualização reúne comparações entre medidas de sépalas e pétalas, mostrando a posição dos exemplares em cada combinação. O professor usa novos pontos desenhados sobre o gráfico para ilustrar como a proximidade com amostras conhecidas sugere uma classe. Essa representação ajuda a explicar o raciocínio aplicado pelo KNN ao comparar uma nova flor com os exemplares disponíveis.

Q: Quais bibliotecas são utilizadas no projeto de classificação de flores?

O projeto utiliza NumPy, pandas, Matplotlib, seaborn e scikit-learn no ambiente Jupyter. O NumPy aparece na criação dos arrays que armazenam características e classes. O pandas lê o CSV e permite examinar o DataFrame, suas colunas e suas estatísticas. O Matplotlib é importado para a visualização gráfica, e o seaborn produz o gráfico de dispersão com as classes diferenciadas por cores. O scikit-learn fornece o KNeighborsClassifier, usado para configurar os três vizinhos, receber os dados na chamada fit e prever espécies por meio de predict.

Q: Como fornecer uma nova flor ao classificador e interpretar a previsão?

Uma nova flor é fornecida por meio de um vetor com quatro valores, seguindo a ordem das características utilizadas no treinamento. Esses valores representam o comprimento e a largura das sépalas, seguidos pelo comprimento e pela largura das pétalas. O vetor é passado à chamada predict do classificador já preparado com fit. A resposta é o rótulo da espécie atribuída ao exemplar. Na demonstração, uma consulta retorna versicolor e outra retorna setosa. Esses resultados ilustram como o botânico virtual transforma medidas de uma flor em uma classificação entre as espécies da base.

Summary & Key Takeaways

  • O projeto cria um botânico virtual para identificar três espécies de Iris. A base reúne 150 flores, com 50 exemplares por espécie e quatro medidas de sépalas e pétalas, além da classe de cada amostra.

  • No Jupyter, os dados são carregados de um CSV com pandas, examinados e visualizados com seaborn. Depois, as medidas são separadas em X e os rótulos em y para preparar a classificação supervisionada.

  • O KNN é configurado com três vizinhos e recebe X e y por meio de fit. A chamada predict classifica novas medidas, e os exemplos apresentados retornam versicolor e setosa para os vetores fornecidos.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚