README.md

Classificação de Veículos com Streamlit e Naive Bayes

Este projeto apresenta uma aplicação de classificação de veículos, desenvolvida com Streamlit e utilizando o modelo de classificação Naive Bayes categórico. O objetivo é prever a categoria de um veículo com base em características fornecidas, explorando técnicas de pré-processamento e avaliação de modelos de machine learning.

Visão Geral

O script utiliza as bibliotecas pandas, scikit-learn, e streamlit para:

1. Carregar e pré-processar um conjunto de dados de veículos.
2. Treinar um modelo Naive Bayes categórico para a classificação.
3. Exibir a acurácia do modelo e fornecer uma interface interativa para que o usuário classifique novos veículos com base em características personalizadas.

Como Executar o Projeto

Para executar a aplicação, é necessário ter Python instalado, junto com as bibliotecas requeridas. Siga os passos abaixo:

1. Clone este repositório.
2. Instale as dependências:

   pip install streamlit pandas scikit-learn

3. Execute a aplicação com o comando:

   streamlit run app.py

A aplicação estará disponível no navegador em http://localhost:8501.

Estrutura do Código

Carregamento de Dados e Treinamento do Modelo

• Função load_data_and_model(): Esta função realiza o carregamento e pré-processamento dos dados e executa o treinamento do modelo. Ela executa os seguintes passos:
  • Carrega o dataset car.csv, que contém colunas com características categóricas de veículos e a coluna class como o rótulo de classificação.
  • Codifica os dados categóricos usando OrdinalEncoder, convertendo-os para uma representação numérica.
  • Separa os dados em conjuntos de treinamento e teste.
  • Treina um modelo de Naive Bayes categórico (CategoricalNB) e avalia sua acurácia no conjunto de teste.
• Retorna o encoder, o modelo treinado, a acurácia do modelo, e o dataframe original carregado.

Interface e Funcionalidades

1. Exibição da Acurácia: Apresenta a acurácia do modelo na página principal, oferecendo ao usuário uma ideia da eficácia do modelo.
2. Entrada do Usuário: Permite que o usuário selecione características para um veículo a ser classificado por meio de menus suspensos.
3. Classificação: Após a seleção das características e o clique no botão "Classificar", o modelo prevê a classe do veículo, que é então exibida na interface.

Dataset

O conjunto de dados car.csv inclui colunas com características categóricas de veículos e uma coluna de class para as categorias de classificação de veículos, por exemplo:

buying, maint, doors, persons, lug_boot, safety, class
vhigh, med, 2, 4, big, high, unacc
high, low, 3, more, med, med, acc
...

Tecnologias e Bibliotecas Utilizadas

• Streamlit: Framework para criar aplicações web interativas em Python.
• Pandas: Manipulação e análise de dados.
• Scikit-Learn: Pré-processamento e treinamento do modelo Naive Bayes categórico.

Referências

• Documentação do Streamlit.
• Documentação do Scikit-Learn.
• Documentação do Pandas.
• Curso Udemy Streamlit: Crie aplicações web de inteligência artificial.