2. Classificação
Entrega 2 de 3 do Projeto
Esta entrega é uma escolha
A equipe entrega classificação ou regressão, não as duas. Se a escolha foi a outra, apague esta pasta e a linha correspondente na nav do mkdocs.yml.
O dataset e as decisões da equipe ficam na página do projeto. As duas primeiras seções abaixo são exigidas pelo enunciado, mas o EDA já as respondeu em profundidade: resuma e aponte para lá, em vez de refazer a análise.
1. Escolha do dataset
Nome, URL da fonte, dimensões e por que ele sustenta uma tarefa de classificação não trivial.
2. Descrição do dataset
Features, variável alvo, contexto do domínio e os problemas herdados do EDA que esta entrega precisa resolver.
3. Limpeza e normalização
Execute o plano de pré-processamento definido no EDA e relate o que mudou em relação ao planejado — e por quê.
Desbalanceamento
Se o alvo é desbalanceado, decida aqui como tratar (pesos na perda, reamostragem, ou nada) e registre o efeito na seção 8.
4. Implementação da MLP
Arquitetura, funções de ativação, função de perda e otimizador, com a justificativa de cada escolha. Uma tabela de hiperparâmetros não explica nada sozinha.
flowchart LR
x["Entrada<br/>(n features)"] --> h1["Oculta 1<br/>ReLU"]
h1 --> h2["Oculta 2<br/>ReLU"]
h2 --> out["Saída"]| Escolha | Por quê | |
|---|---|---|
| Camadas ocultas | ||
| Ativação | ||
| Função de perda | ||
| Otimizador | ||
| Learning rate | ||
| Batch size |
5. Treinamento
O loop de treino e as dificuldades enfrentadas: instabilidade, perda que não desce, saturação da ativação, tempo de época. Diga o que você tentou e o que resolveu.
6. Estratégia de treino e teste
Proporções do split, esquema de validação e como o overfitting foi contido (early stopping, regularização, dropout). O split precisa ser o mesmo definido no EDA — se mudou, justifique.
7. Curvas de erro
Figura 1 — Perda de treino e de validação por época.
Leia a curva no texto: em que época a validação para de melhorar, e o que a distância entre as duas curvas diz sobre a capacidade do modelo.
8. Métricas de avaliação
| Métrica | Treino | Validação | Teste |
|---|---|---|---|
| Acurácia | |||
| Precisão | |||
| Revocação | |||
| F1 | |||
| ROC AUC |
Inclua a matriz de confusão do conjunto de teste e comente os erros que mais custam no domínio — em dado desbalanceado, acurácia alta pode significar que o modelo aprendeu a ignorar a classe minoritária.
Compare com o baseline trivial do EDA. Um modelo que não supera o baseline é um resultado — relate-o como tal, não o esconda.
Conclusão
Principais achados, limitações e o que a equipe faria com mais tempo.