FIAP - Faculdade de Informática e Administração Paulista

🌾 Classificação de Grãos com Machine Learning

Este projeto aplica a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining) para desenvolver um modelo de aprendizado de máquina capaz de classificar variedades de grãos de trigo com base em suas características físicas.

O objetivo é automatizar o processo de classificação em cooperativas agrícolas, aumentando a eficiência e reduzindo erros humanos.

📋 Sobre o Projeto

Utilizamos o Seeds Dataset do UCI Machine Learning Repository, que contém medições geométricas de grãos de trigo pertencentes a três variedades:

1. Kama
2. Rosa
3. Canadian

Atributos Analisados

• Área
• Perímetro
• Compacidade
• Comprimento do Núcleo
• Largura do Núcleo
• Coeficiente de Assimetria
• Comprimento do Sulco do Núcleo

🚀 Metodologia (CRISP-DM)

O desenvolvimento seguiu as seguintes etapas:

1. Análise e Pré-processamento:

   • Análise exploratória de dados (EDA) com histogramas, boxplots e scatter plots.
   • Verificação de valores ausentes e outliers.
   • Padronização dos dados utilizando StandardScaler.

2. Modelagem:

   • Implementação e comparação de diversos algoritmos:
     • K-Nearest Neighbors (KNN)
     • Support Vector Machine (SVM)
     • Random Forest
     • Naive Bayes
     • Logistic Regression

3. Otimização:

   • Ajuste de hiperparâmetros utilizando GridSearchCV para os modelos de melhor desempenho (SVM e Random Forest).

4. Avaliação e Interpretação:

   • Análise de métricas como Acurácia, Precisão, Recall e F1-Score.
   • Interpretação da importância das features.

📊 Resultados

Os modelos SVM e Random Forest apresentaram os melhores resultados, com acurácia superior a 90% após a otimização. As características como Área, Perímetro e Comprimento do Sulco mostraram-se determinantes para a distinção entre as variedades.

🛠️ Tecnologias Utilizadas

• Python 3
• Pandas & NumPy (Manipulação de dados)
• Matplotlib & Seaborn (Visualização)
• Scikit-learn (Machine Learning)
• Jupyter Notebook

⚙️ Como Executar

1. Clone este repositório:

   git clone https://github.com/seu-usuario/seu-repositorio.git

2. Instale as dependências necessárias (caso não tenha):

   pip install pandas numpy matplotlib seaborn scikit-learn

3. Execute o notebook grain_classification.ipynb em um ambiente Jupyter ou Google Colab.

📄 Licença

Projeto acadêmico - FIAP 2025 - LICENSE

---

🌾 FarmTech Solutions - Transformando dados em decisões inteligentes para a agricultura do futuro!

Time