🧠 Perceptron Acelerado por C para Classificação Binária ⚙️

Este projeto implementa um algoritmo Perceptron para classificação binária, com suas funções de cálculo principais escritas em C para otimização de desempenho e envolvidas em uma classe Python para fácil uso, manipulação de dados e visualização. 📊 O projeto inclui funcionalidades para usar o conjunto de dados Iris (convertido para um problema binário) ou gerar dados sintéticos para treinamento e teste.

🎯 Objetivo: Criar um classificador Perceptron eficiente com um backend em C e uma interface Python amigável.

✨ Visualização de Exemplo:

🌟 Visão Geral

O Perceptron é um dos algoritmos de aprendizado de máquina supervisionado mais simples para classificação binária. Este projeto demonstra:

• Implementação do algoritmo Perceptron.
• Uso de C para as operações computacionalmente intensivas (cálculo do neurônio, ajuste de pesos, avaliação de precisão) via ctypes em Python.
• Uma classe Python Perceptron que encapsula a lógica de treinamento, previsão, avaliação e plotagem.
• Carregamento e pré-processamento de dados para o conjunto de dados Iris e geração de dados sintéticos. 🌸
• Divisão de dados em conjuntos de treinamento e teste.
• Dimensionamento de características (normalização Z-score).
• Treinamento com uma taxa de aprendizado definida e um limite de precisão.
• Cálculo de erro, acuracia e revocação. 📈
• Validação cruzada K-fold.
• Visualização de:
  • Dados de treinamento e teste 📍
  • Limite de decisão do modelo treinado 🗺️
  • Precisão do modelo ao longo das épocas 🎯
  • Evolução dos pesos durante o treinamento 🏋️
  • Erro do modelo ao longo das épocas 📉

✨ Funcionalidades Principais

• Núcleo em C ⚙️: Funções neuron, fit, evaluate_accuracy e predict implementadas em C para eficiência.
• Wrapper Python 🐍: Classe Perceptron em Python fácil de usar.
• Fontes de Dados 💾:
  • Utiliza o conjunto de dados Iris (filtrado para duas classes e duas características).
  • Gera dados sintéticos para problemas de classificação (linearmente separáveis ou com ruído).
• Pré-processamento 🧹:
  • Converte problemas multiclasse para binários.
  • Dimensiona características usando a média e o desvio padrão.
• Treinamento 🏋️‍♀️:
  • Itera até que uma precisão de referência seja atingida no conjunto de teste ou um número máximo de épocas seja alcançado.
  • Armazena o histórico de pesos, erros e precisão.
• Avaliação 📊:
  • Calcula a precisão nos conjuntos de treinamento e teste.
  • Realiza validação cruzada k-fold.
• Visualização 🖼️: Utiliza matplotlib para plotar:
  • Distribuição de dados.
  • Limite de decisão.
  • Curvas de aprendizado (precisão, erro, pesos).
• Flexibilidade 🛠️: Permite a configuração da taxa de aprendizado, precisão de referência e parâmetros de geração de dados.

📂 Estrutura do Projeto

├── 📄 perceptron.c # Implementação em C das funções principais do Perceptron

├── 📄 perceptron.h # Arquivo de cabeçalho para o código C

├── 🔗 perceptron.so # Biblioteca compartilhada compilada (gerada após a compilação)

├── 🐍 data_treatment.py # Funções para importação de dados, geração e plotagem

├── 🐍 training.py # Classe Perceptron em Python e interface ctypes para C

└── 📖 main.py # Script principal para executar o treinamento e avaliação

🛠️ Pré-requisitos

• Python 3.12.3 🐍
• Compilador C (como GCC) ⚙️
• Bibliotecas Python:
  • numpy
  • matplotlib
  • scikit-learn (usado em data_treatment.py para load_iris e make_classification)

🚀 Configuração e Instalação

1. Clone o repositório:

   git clone [https://github.com/seu-usuario/seu-repositorio.git](https://github.com/seu-usuario/seu-repositorio.git)
   cd "seu-repositorio"

2. Compile o código C para criar a biblioteca compartilhada (perceptron.so): No Linux ou macOS:

   gcc -shared -o perceptron.so -fPIC perceptron.c

   No Windows (pode exigir ajustes dependendo do seu compilador, por exemplo, com MinGW):

   gcc -shared -o perceptron.so perceptron.c -Wl,--add-stdcall-alias

   ℹ️ Certifique-se de que o arquivo perceptron.so (ou perceptron.dll no Windows) resultante esteja no mesmo diretório que os scripts Python.

3. Instale as dependências Python:

   pip install numpy matplotlib scikit-learn

   ✅ Pronto para começar!

▶️ Uso

O script principal para executar o modelo é main.py.

python3 main.py