Este repositório contém implementações e exemplos de quatro modelos diferentes para a classificação do conjunto de dados CIFAR-10: KNN, SVM, Softmax Regression e uma Rede Neural Convolucional (CNN) de duas camadas.
O KNN é um algoritmo de aprendizado supervisionado usado para classificação. A ideia principal é classificar um ponto de dados baseado na classe predominante entre seus k vizinhos mais próximos. A distância entre pontos é uma consideração crucial, e o hiperparâmetro k define o número de vizinhos considerados.
knn_model = KNeighborsClassifier(n_neighbors=10, weights='distance', metric='manhattan')knn_model.fit(train_images, train_labels)predicted_labels = knn_model.predict(test_images)
SVM é um algoritmo de aprendizado supervisionado usado para classificação. Ele encontra um hiperplano de decisão ótimo que separa as classes no espaço de características. A otimização visa maximizar a margem entre as classes.
svm_model = SVC(kernel='linear', C=1.0)svm_model.fit(train_images, train_labels)predicted_labels = svm_model.predict(test_images)
Softmax Regression é uma generalização da regressão logística para problemas de múltiplas classes. Ele modela a probabilidade de uma determinada classe para cada ponto de dados e escolhe a classe com a maior probabilidade.
softmax_model = LogisticRegression(multi_class='multinomial', solver='lbfgs', max_iter=1000)softmax_model.fit(train_images, train_labels)predicted_labels = softmax_model.predict(test_images)
A CNN é uma arquitetura de rede neural profunda projetada para tarefas de visão computacional. Esta implementação usa duas camadas: uma camada convolucional seguida por uma camada totalmente conectada. A convolução permite a extração de características locais.
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(256, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])