RNA

estudos de redes neurais artificiais

instalar o requeriments.txt

pip install requeriments.txt

import de lib

import pandas as pd

divisão de classe e previsores

previsores é X

classes é Y

import pandas as pd

base_tabela_processo = pd.read_csv('<CAMINHO>')

id	npu	classe_civil	valor	moviemnto	tag	procedente
0152	00025587420188262251	penal	33665,24	01115	TJSP_civil	1
0152	00025587420188262251	penal	33665,24	01116	TJSP_civil	1
0158	00035579420188262251	penal	36689,24	01185	TJSP_civil	0

COLUNAS

base_tabela_processo.columns

id, npu, classe_civil, valor, movimento, tag, procedente

vamos ignorar a coluna id

X_processos = base_tabela_processo.iloc[:,1:6].values
y_processos = base_tabela_processo.iloc[:,7].values

nota ** não temos a coluna procedente

LABEL

transformar dados strings em numericos

from sklearn.preprocessing import LabelEncoder

label_encoder_teste = LabelEncoder()

teste = label_encoder_teste.fit_transform(X_processos[:,1])

# cada uma das colunas vai receber um encoder logo
# o label encoder do valor não é necessario pois ele já é um valor numerico
# nota ** ver como vai ser a tabela movimento pois temos que pegar tudo

label_encoder_npu = LabelEncoder()
label_encoder_classe_civil = LabelEncoder()
label_encoder_tag = LabelEncoder()

X_processos[:,1] = label_encoder_npu.fit transform(X_processos[:,1])
X_processos[:,2] = label_encoder_classe_civil.fit transform(X_processos[:,2])
X_processos[:,5] = label_encoder_tag.fit transform(X_processos[:,5])

depois transformar com o OneHotEncoder

from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer

# indices das colunas
onehotencoder_processos = ColumnTransformer(transformers=[('OneHot', OneHotEncoder(), [1,2,5])], remainder='passthrough')

# o argumento remainder='passthrough' serve para ele não ignorar os outros indices numericos não listados

X_processos = onehotencoder_processos.fit_transform(X_processos).toarry()

padronização da coluna valores

from sklearn.preprocessing import StandardScaler

scaler_processos = StandardScaler()

X_prcessos = scaler_processos.fit_transform(X_processos)

Divisão da base em treinamento e teste

from sklearn.model_selection import train_test_split

X_treinamento_processsos, X_teste_processos, Y_treinamento_processos, y_teste_processos = train_test_split(X_processos, y_processos, test_size=0.30, random_state=0)

print(X_treinamento_processsos.shape, X_teste_processos.shape)

salvando os dados

import pickle

with open('processos_base.pkl', mode='wb') as f:
    pickle.dump([X_treinamento_processsos, y_treinamento_processsos, X_teste_processos, y_teste_processos], f)

para uasr a GPU

instalar o miniconda

usar o python 3.7

instalar o tensorflow-gpu > ele vai puxar o tensorflow 2.6 ou algo parecido

0rakul0/RNA

RNA