Equipe - Aprendizagem de máquina - UFCA

• Cicero Emanuel Palácio da Silva - Matrícula: 2023009557
• Francisco Renato Alves do Nascimento - Matrícula: 2023009628
• José Valbério da Silva Sousa - Matrícula: 2023009691

Classificador de Flores com KNN e K-means

Esta aplicação é um exemplo simples de um classificador de flores usando o algoritmo KNN e de agrupamento usando o k-means aplicado ao dataset Iris. A aplicação é construída com Python e Flask, e exibe tanto a predição para novos valores quanto as métricas de desempenho para os conjuntos de treinamento e teste. Além disso, o front-end apresenta gráficos da matriz de confusão, superfície de decisão (KNN) e gráficos de clusters (K-means), a interface conta com uma logo da UFCA centralizada no topo.

Pré-requisitos

• Python 3.x instalado
• Pip (gerenciador de pacotes do Python)

Como Ambientar o Projeto

1. Clone o repositório ou extraia os arquivos do projeto
   Certifique-se de que o diretório do projeto contenha, pelo menos:

   • back.py
   • front.html (dentro de um diretório templates, se o Flask estiver configurado para isso)
   • requirements.txt com as dependências necessárias

2. Criar o ambiente virtual

   No diretório do projeto, execute:

   python -m venv venv

3. Ativar o ambiente virtual

   • No Windows (PowerShell):

     .\venv\Scripts\Activate

   • No Linux/MacOS:

     source venv/bin/activate

4. Instalar as dependências

   Com o ambiente virtual ativo, execute:

   pip install -r requirements.txt

Executando a Aplicação

Após instalar as dependências, inicie o servidor Flask executando:

python back.py

O servidor ficará disponível em http://127.0.0.1:5000. Abra este endereço em seu navegador para utilizar a aplicação.

Estrutura do Projeto

A estrutura básica do projeto é a seguinte:

KNN-back-front-sample/
├── templates/
│   └── front.html       # Front-end da aplicação
├── venv/                # Ambiente virtual (gerado)
├── back.py              # Back-end da aplicação (Flask)
├── requirements.txt     # Lista de dependências do projeto
└── README.md            # Este arquivo

Uso da Aplicação

• Treino: Clique no botão "Treino" para treinar o classificador usando o dataset Iris.
• Teste: Clique no botão "Teste" para visualizar as métricas de desempenho do modelo.
• Teste Novo Valor: Preencha os campos com as medidas de uma nova amostra e clique em "Enviar Valores" para obter a predição.

---

Este projeto serve como exemplo básico para aprendizado e demonstração do uso do Flask e dos algorítmos KNN e K-means. Sinta-se à vontade para expandir ou modificar conforme necessário.