Classificação das Três Espirais com Redes Neurais

Este projeto aborda o clássico problema de classificação das três espirais, uma tarefa não linear e desafiadora para algoritmos de machine learning. Através de uma rede neural profunda construída com TensorFlow/Keras, o modelo aprende a classificar corretamente os pontos pertencentes a três espirais entrelaçadas.

🔍 Sobre o Problema

O problema das três espirais é um benchmark comum para testar algoritmos de classificação. Consiste em três classes de pontos dispostos em forma de espiral, rotacionadas entre si. A distribuição entrelaçada torna o problema ideal para testar a capacidade de generalização e aprendizagem de modelos complexos.

Visualização:

Cada espiral representa uma classe:

• 🌀 Spiral 0: vermelho
• 🌀 Spiral 1: verde-água
• 🌀 Spiral 2: azul acinzentado

O objetivo é construir um modelo que seja capaz de separar corretamente essas classes mesmo em regiões de sobreposição e ruído.

---

🧠 Modelo

Utiliza-se uma rede neural densa com regularização L2, camadas de Batch Normalization, Dropout e função de ativação ReLU. A última camada utiliza softmax para classificação multiclasse.

Também foram usados:

• EarlyStopping para evitar overfitting
• ReduceLROnPlateau para ajuste dinâmico da taxa de aprendizado
• F1Score como métrica adicional para avaliar performance por classe

---

📦 Instalação

Este projeto utiliza Poetry para gerenciamento de dependências. Siga os passos abaixo para configurar o ambiente:

1. Clone o repositório:

git clone https://github.com/seu-usuario/nome-do-repo.git
cd nome-do-repo

2. Instale o Poetry (se ainda não tiver):

curl -sSL https://install.python-poetry.org | python3 -

Ou consulte: https://python-poetry.org/docs/

3. Instale as dependências do projeto:

poetry install

4. Ative o ambiente virtual:

poetry shell

5. Execute o script principal:

jupyter notebook main.ipynb

---

📊 Resultados

• Acurácia superior a 98% nos dados de teste.
• F1-Score alto para todas as classes, indicando excelente capacidade de generalização.
• Visualizações gráficas como:
  • Evolução do treinamento
  • Matriz de confusão
  • Fronteira de decisão da rede

---

📌 Dependências Principais

• numpy
• matplotlib
• seaborn
• scikit-learn
• tensorflow
• poetry (gerenciador)

---

📄 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

---

🤝 Contribuições

Contribuições são bem-vindas! Fique à vontade para abrir uma issue ou um pull request.