Para realizar essa atividade, eu comecei importando as bibliotecas necessárias e
carregando o conjunto de dados Iris, que já está disponível no scikit-learn. Em
seguida, fiz o pré-processamento dividindo os dados em treino e teste, além de
normalizá-los para melhorar o desempenho do modelo.
Depois, construí uma rede neural simples no TensorFlow, com algumas camadas
densas e a função de ativação relu para as camadas internas e softmax na saída, já
que se trata de um problema de classificação com três classes.
Compilei o modelo usando o otimizador Adam e a função de perda adequada para
classificação multiclasse (sparse_categorical_crossentropy).
Após isso, treinei o modelo por 50 épocas e avaliei seu desempenho nos dados de
teste, verificando a acurácia. Por fim, utilizei o modelo treinado para fazer previsões
em algumas amostras, comparando com as classes reais para validar o resultado.
Código: # Passo 1: Importar Bibliotecas e Carregar Dados
import tensorflow as tf
import pandas as pd
from [Link] import load_iris
from sklearn.model_selection import train_test_split
from [Link] import StandardScaler
# Carregar conjunto de dados Iris
iris = load_iris()
X = [Link] # Características: comprimento/largura de pétalas e sépalas
y = [Link] # Classes: espécies de flores
# Passo 2: Pré-processamento dos Dados
# Dividindo em treino (70%) e teste (30%)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
random_state=42)
# Normalizando os dados (importante para redes neurais)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = [Link](X_test)
# Passo 3: Construir o Modelo
# Rede neural simples com 2 camadas densas escondidas e 1 camada de saída
model = [Link]([
[Link](10, activation='relu', input_shape=(X_train.shape[1],)),
[Link](8, activation='relu'),
[Link](3, activation='softmax') # 3 classes (espécies de flores)
])
# Compilar o modelo (definindo otimizador, função de perda e métrica)
[Link](optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Passo 4: Treinar o Modelo
history = [Link](X_train, y_train, epochs=50, validation_split=0.2, verbose=1)
# Passo 5: Avaliar o Modelo
loss, accuracy = [Link](X_test, y_test, verbose=0)
print(f"\nAcurácia do modelo nos dados de teste: {accuracy:.2f}")
# Passo 6: Fazer Previsões
# Exemplo: prever as classes das primeiras 5 flores do conjunto de teste
predictions = [Link](X_test[:5])
print("\nPrevisões (probabilidades):")
print(predictions)
print("\nClasses previstas:")
print([Link](axis=1))
print("\nClasses reais:")
print(y_test[:5])
