MACHINE LEARNING II

MACHINE LEARNING II

ROTEIRO DE AULA PRÁTICA

CLIQUE AQUI! PARA VISUALIZAR O MANUAL!

NOME DA DISCIPLINA: Machine Learning II

Unidade: 1 – Métodos de Amostragem e Modelos Preditivos

Aula: 3 – Modelos Supervisionados

OBJETIVOS

Definição dos objetivos da aula prática:

Permitir que o aluno compreenda e implemente o algoritmo de agrupamento K-means, explorando

sua aplicação em um conjunto de dados bidimensional.

SOLUÇÃO DIGITAL:

Pycharm

PyCharm é um ambiente de desenvolvimento integrado usado para programação em Python.

Ele fornece análise de código, um depurador gráfico, um testador de unidade integrado,

integração com sistemas de controle de versão e suporta desenvolvimento web com Django,

que pode ser acessado em https://www.jetbrains.com/pt-br/pycharm/

PROCEDIMENTOS PRÁTICOS E APLICAÇÕES

Procedimento/Atividade nº 1

Desenvolvimento de um algoritmo em Python para analisar a função do K-means.

Atividade proposta: Desenvolver um algoritmo k-means, utilizando linguagem de programação

Python e suas bibliotecas sklearn, matplotlib e numpy.

Procedimentos para a realização da atividade:

Crie um algoritmo que utilize a função K-means da biblioteca sklearn.cluster. Para este exercício,

siga os passos a seguir:

Para a nossa base de dados, crie as seguintes matrizes:

x = [4, 5, 10, 4, 3, 11, 14, 6, 10, 12]

y = [21, 19, 24, 17, 16, 25, 24, 22, 21, 21]

3

Público

• Depois da criação da base de dados, transforme-a em um conjunto de pontos.

• Para encontrar o melhor valor para K, precisamos executar K-means em nosso conjunto

de pontos para uma variedade de valores possíveis. Temos apenas 10 pontos de dados,

então o número máximo de clusters é 10. Portanto, para cada valor K no intervalo (1,11),

treinamos um modelo K-means e plotamos o resultado.

• Ajuste o seu K para 2 e plote os diferentes clusters atribuídos aos dados.

Avaliando os resultados:

O código desenvolvido implementa a análise de agrupamento em um conjunto de dados

bidimensional utilizando o algoritmo K-Means. O código deve criar um conjunto de dados

representado por duas listas de valores correspondentes às coordenadas x e y. A partir desses

dados, deve-se calcular a inércia para diferentes quantidades de clusters, variando de 1 a 10, e

construir um gráfico que permita identificar o número ideal de clusters através do método do

cotovelo (Elbow Method). Esse gráfico será fundamental para determinar o ponto em que a adição

de novos clusters deixa de trazer ganhos significativos em termos de redução de inércia.

Após determinar o número ideal de clusters, aplique o algoritmo K-Means para agrupar os dados

e visualize os resultados em um gráfico de dispersão. Nesse gráfico, os dados devem ser

apresentados com cores diferentes para cada cluster, facilitando a interpretação visual dos

agrupamentos formados. Certifique-se de utilizar as bibliotecas apropriadas para manipulação e

visualização de dados, como `matplotlib` e `sklearn`, garantindo que os resultados sejam claros

e bem estruturados.

Checklist:

ü Desenvolver um algoritmo usando Python e K-means.

ü Gerar um conjunto de dados bidimensional representado por duas listas de valores.

ü Plotar gráficos com o resultado do treinamento de K-means.

ü Avaliar os resultados.

RESULTADOS

4

Público

Resultados do experimento:

Ao final dessa aula prática, você deverá enviar um arquivo em pdf contendo o código

desenvolvido e os gráfico gerados. O arquivo não pode exceder o tamanho de 2Mb.

Resultados de Aprendizagem:

Como resultados dessa prática será possível compreender os fundamentos do algoritmo KMeans

e o uso do método do cotovelo para determinar o número ideal de clusters. Além disso, é

desenvolvidas habilidades práticas em Python, manipulando dados bidimensionais e utilizando

bibliotecas como sklearn e matplotlib para análise e visualização.