Mão na Massa: Construindo um Classificador com Base em Flores Ornamentais
Objetivo
Compreender o funcionamento do aprendizado supervisionado por meio da construção de um modelo capaz de classificar diferentes variedades de flores com base em características observáveis.
Além do tradicional Dataset Iris, foi proposta uma adaptação utilizando variedades da planta Clitoria ternatea (Clitória), demonstrando que os mesmos princípios do Machine Learning podem ser aplicados a diferentes conjuntos de dados.
Contextualização
O aprendizado supervisionado é uma abordagem de Machine Learning em que um modelo aprende a partir de exemplos previamente rotulados.
Assim como o Dataset Iris utiliza características físicas das flores para identificar suas espécies, podemos utilizar características observáveis das flores da Clitória para construir um sistema de classificação.
Etapa 1 – Definição do Problema
A planta Clitoria ternatea apresenta diferentes variedades visuais, entre elas:
- Azul Simples
- Azul Dobrada
- Lilás Simples
- Branca Simples
O objetivo é desenvolver um sistema capaz de identificar automaticamente a variedade da flor a partir de características previamente observadas.
Etapa 2 – Definição das Classes (Rótulos)
Cada flor precisa possuir uma categoria conhecida para que o algoritmo possa aprender.
Definimos os seguintes rótulos:
| Código | Classe |
|---|---|
| 0 | Azul Simples |
| 1 | Azul Dobrada |
| 2 | Lilás Simples |
| 3 | Branca Simples |
Etapa 3 – Definição das Características (Features)
Assim como o Dataset Iris utiliza medidas das pétalas e sépalas, podemos utilizar características observáveis da Clitória.
| Característica | Exemplo |
|---|---|
| Altura da flor (cm) | 4,5 |
| Largura da flor (cm) | 3,8 |
| Quantidade de pétalas aparentes | 1 ou 2 |
| Intensidade da cor azul | 0 a 10 |
| Intensidade da cor lilás | 0 a 10 |
| Intensidade da cor branca | 0 a 10 |
Essas características serão utilizadas pelo modelo para identificar padrões.
Etapa 4 – Construção do Dataset
Exemplo simplificado de base de treinamento:
| Altura | Largura | Pétalas | Classe |
|---|---|---|---|
| 4.5 | 3.8 | 1 | Azul Simples |
| 4.7 | 4.2 | 2 | Azul Dobrada |
| 4.2 | 3.5 | 1 | Lilás Simples |
| 4.8 | 4.0 | 1 | Branca Simples |
| 4.6 | 3.9 | 1 | Azul Simples |
| 4.9 | 4.3 | 2 | Azul Dobrada |
Esses exemplos representam os dados utilizados para ensinar o algoritmo.
Etapa 5 – Aprendizado Supervisionado
O modelo recebe:
- características das flores;
- rótulos correspondentes.
Durante o treinamento, ele aprende a relação entre as características observadas e a classe correta.
Fluxo do processo:
Flores rotuladas
↓
Treinamento
↓
Aprendizado dos padrões
↓
Modelo treinado
↓
Nova flor
↓
Classificação automática
Etapa 6 – Teste Inicial do Modelo
Após o treinamento, podemos apresentar uma nova amostra.
Exemplo:
| Altura | Largura | Pétalas |
|---|---|---|
| 4.8 | 4.1 | 2 |
Resultado previsto:
Azul Dobrada
O modelo compara as características da nova flor com os padrões aprendidos durante o treinamento.
Etapa 7 – Teste de Classificação com Novas Imagens
Para simular o funcionamento do classificador, foram analisadas duas imagens reais de flores da espécie Clitoria ternatea.
