Dicas - Explore bem os gráficos como `pairplot`, `heatmap`, `scatter`, `boxplot`.

Dicas

- Explore bem os gráficos como `pairplot`, `heatmap`, `scatter`, `boxplot`.

- Avalie o desempenho com **accuracy, f1-score, matriz de confusão**.

- Utilize `train_test_split`, `StandardScaler`, `CountVectorizer`, `LogisticRegression`, `RandomForestClassifier`, `Naive Bayes`, entre outros.

- Justifique as escolhas de modelo e mostre o raciocínio por trás das decisões.



Para a entrega da atividade siga as seguintes orientações.



​1. Importação e Leitura dos Dados



import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

​url = 'https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv'

​df.head()

# 2. Análise Exploratória (EDA)

# Estatísticas descritivas



# Informações do DataFrame



# Gráfico de pares



plt.show()

# Heatmap de correlação (apenas colunas numéricas)



plt.show()



​3. Limpeza de Dados



df.isnull().sum()

df.duplicated().sum()

df.drop_duplicates(inplace=True)

4. 
   
   Pré-processamento
   
   
   
   from sklearn.preprocessing import LabelEncoder, StandardScaler
   
   # Transforma a coluna 'species' de string para número
   
   Escrever aqui o código ->
   
   Escrever aqui o código ->
   
   ​
   
   # Padroniza as features numéricas (média 0, desvio-padrão 1)
   
   Escrever aqui o código ->
   
   ​Escrever aqui o código ->
   
   Escrever aqui o código ->​
   
   
   
   5. Separação de Dados
   
   
   
   from sklearn.model_selection import train_test_split
   
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
   
   
   
   ​6. Criação dos Modelos
   
   
   
   from sklearn.ensemble import RandomForestClassifier
   
   from sklearn.naive_bayes import GaussianNB
   
   
   
   model1 =
   
   model2 =
   
   ​Escrever aqui o código ->
   
   Escrever aqui o código ->​​
   
   
   
   7. Avaliação dos Modelos
   
   
   
   from sklearn.metrics import classification_report, confusion_matrix
   
   
   
   print('Random Forest')
   
   
   
   y_pred1 =
   
   
   
   # mostre a matrix de confusão
   
   ​Escrever aqui o código ->
   
   
   
   #mostre o report classification
   
   ​Escrever aqui o código ->​
   
   
   
   8. Conclusão​

IMPORTANTE:

1. Acesse o link com um vídeo tutorial para ajudá-lo nesse processo de criação e desenvolvimento. O acesso deverá ser realizado em: Materiais >> Material da Disciplina.

2. Responda a todos os itens, seguindo como roteiro os tópicos elencados anteriormente, e coloque em um único arquivo.

3. A entrega deve ser feita por meio do Template de entrega da atividade MAPA, disponível no material da disciplina.

4. Antes de enviar sua atividade, certifique-se de que respondeu a todas as perguntas e realize uma cuidadosa correção ortográfica.

5. Após o envio não são permitidas alterações ou modificações. Logo, você tem apenas uma chance de enviar o arquivo corretamente. Revise bem antes de enviar!

6. Lembre-se de que evidências de cópias de materiais, incluindo de outros estudantes, sem devidas referências, serão inquestionavelmente zeradas. As citações e referências, mesmo que do livro da disciplina, devem ser realizadas conforme normas da Instituição de Ensino.

7. Não são permitidas correções parciais no decorrer do módulo, ou seja, o famoso: “professor, veja se minha atividade está certa?”. Isso invalida seu processo avaliativo. Lembre-se de que a interpretação da atividade também faz parte da avaliação.

8. Procure sanar suas dúvidas junto à mediação em tempo hábil sobre o conteúdo exigido na atividade, de modo que consiga realizar sua participação.

9. Atenção ao prazo de entrega, evite envio de atividade em cima do prazo. Você pode ter algum problema com internet, computador, software etc., e os prazos não serão flexibilizados, mesmo em caso de comprovação.



Bons estudos!