Projeto k-NN

Visão Geral

Este projeto implementa o algoritmo k-Nearest Neighbors (k-NN) para classificação de dados. A solução foi projetada para processar dados do tipo inteiro (int) e números reais (float) em diferentes cenários de treino e teste. O código é modular e foi desenvolvido para ser reutilizável e fácil de adaptar.

Características

• Flexibilidade de tipos de dados : Suporte para matrizes de inteiros e floats.
• Configuração de k : Valor de kk configurável no construtor.
• Módulos reutilizáveis : Inclui classes auxiliares para leitura de arquivos CSV e manipulação de matrizes.
• Testes com diferentes cenários : Avaliação de desempenho em várias divisões de treino e teste.

Estrutura do Projeto

• knn.h: Definição da classe principal KNN.
• read_csv.h e read_csv.cpp: Classe auxiliar para leitura e processamento de arquivos CSV.
• Adriano_Brandao.cpp: Módulo principal utilizando dados inteiros.
• Adriano_Brandao_float.cpp: Módulo principal utilizando dados float.
• Resultados - tabelas e graficos.pdf: Gráficos e tabelas de acurácia obtidos durante os testes.
• testes.md: Detalhamento dos cenários de teste e análises.

Configuração do Ambiente

Requisitos

• Compilador C++ : Suporte a C++11 ou superior.
• Bibliotecas :
• iostream
• fstream
• sstream
• Sistema Operacional : Testado no Windows e Linux.

Instalação

1. Clone este repositório:

   git clone https://github.com/usuario/projeto-knn.git

2. Navegue até a pasta do projeto:

   cd projeto-knn

3. Compile o código principal (exemplo com g++):

   g++ Adriano_Brandao.cpp -o adriano_brandao
   g++ Adriano_Brandao_float.cpp -o adriano_brandao_float

Uso

Executando o Modelo com Inteiros

1. Certifique-se de que os arquivos CSV estão na pasta tables.
2. Execute o binário:

   ./adriano_brandao

3. Verifique os resultados exibidos no console.

Executando o Modelo com Floats

1. Certifique-se de que os arquivos CSV estão na pasta tables.
2. Execute o binário:

   ./adriano_brandao_float

3. Verifique os resultados exibidos no console.

Estrutura dos Arquivos CSV

• Formato esperado :
• Arquivos features: Matrizes bidimensionais com valores numéricos.
• Arquivos labels: Vetores unidimensionais com classes correspondentes.
• Exemplo :

  1.0, 2.0, 3.0
  4.0, 5.0, 6.0
  7.0, 8.0, 9.0

Testes e Resultados

Resultados detalhados de acurácia para diferentes valores de kk e cenários de teste estão em Resultados - tabelas e graficos.pdf e testes.md.

Licença

Este projeto é licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.