EP07_06 — 🟣 Pipeline Completo: Descritores + k-NN + Avaliação Multi-Classe

7.18.6.1 📋 Diretrizes de Implementação

1. Classes: Ler o inteiro \(C\) (número de classes) seguido de \(C\) nomes de classe (strings sem espaço), na ordem em que devem aparecer na matriz de confusão.
2. Configuração: Ler o inteiro \(H\) (dimensão dos histogramas), a string \(M\) (métrica: euclidiana ou manhattan) e o inteiro ímpar \(k\).
3. Treinamento: Ler o inteiro \(N\) e, em seguida, \(N\) linhas, cada uma contendo o nome da classe seguido de \(H\) valores reais (o histograma de descritor).
4. Teste: Ler o inteiro \(Q\) e, em seguida, \(Q\) linhas, cada uma contendo o nome da classe real seguido de \(H\) valores reais (o histograma de descritor da amostra de teste).
5. Distância: Para cada amostra de teste, calcule a distância a cada exemplo de treinamento usando a métrica \(M\): \[ d_{\text{euclidiana}}(u,v) = \sqrt{\sum_{j=1}^{H}(u_j-v_j)^2}, \qquad d_{\text{manhattan}}(u,v) = \sum_{j=1}^{H} |u_j - v_j|. \]
6. Classificação k-NN: Selecione os \(k\) exemplos de treinamento mais próximos (desempate de distância pela ordem de leitura, como no EP07_01) e classifique pela classe majoritária entre eles. Em caso de empate de votação entre duas ou mais classes, escolha a que aparece primeiro na lista de classes do item 1.
7. Matriz de confusão: Construa uma matriz \(C \times C\) em que a linha corresponde à classe real e a coluna à classe prevista, seguindo a ordem de classes do item 1.
8. Acurácia: Calcule a acurácia global como a razão entre acertos e \(Q\).
9. Saída: Para cada amostra de teste, na ordem de entrada, imprimir a classe prevista. Em seguida, imprimir a matriz de confusão (uma linha por classe real, valores separados por espaço, na ordem das classes). Por fim, imprimir a acurácia arredondada a 4 casas decimais.

7.18.6.2 📌 Restrições Computacionais

• Métrica selecionável: implemente ambas as distâncias; a métrica \(M\) define qual é utilizada em toda a execução (não é possível misturar métricas na mesma chamada).
• Desempate de votação determinístico: o critério do item 6 (ordem da lista de classes) deve ser seguido mesmo quando o empate envolve mais de duas classes.
• Independência de treino e teste: não há necessidade de validar que as amostras de teste não aparecem no treino — assuma que a entrada é válida.

7.18.6.3 🧠 Fundamentação Teórica

Este exercício evidencia, de forma controlada, um resultado discutido no capítulo: a escolha da métrica de distância e do valor de \(k\) pode alterar a classe prevista para uma mesma amostra, mesmo mantendo fixo o descritor utilizado — reforçando que, no reconhecimento de padrões clássico, o descritor, a métrica e o classificador formam um sistema interdependente, e não peças isoladas.

7.18.6.4 📦 Especificação de Entrada e Saída (VPL)

Entrada:

• Linha 1: inteiro \(C\) seguido de \(C\) nomes de classe.
• Linha 2: inteiro \(H\), string \(M\) e inteiro \(k\).
• Linha 3: inteiro \(N\).
• Próximas \(N\) linhas de treinamento: nome da classe seguido de \(H\) reais.
• Próxima linha: inteiro \(Q\).
• Próximas \(Q\) linhas de teste: nome da classe real seguido de \(H\) reais.

Saída:

• \(Q\) linhas com a classe prevista de cada amostra de teste, na ordem de entrada.
• \(C\) linhas com a matriz de confusão (uma linha por classe real).
• Última linha: Acuracia: <valor>.

7.18.6.5 📌 Exemplos

%%writefile EP07_06.py
# Código Python

Writing EP07_06.py

TestSuite("EP07_06.py").run()

✔️ EP07_06.cases já existe em casos/
📋 5 caso(s) carregado(s) de casos/EP07_06.cases

🔍 Testando Python: EP07_06.py
⚠️ EP07_06.py: Arquivo sem conteúdo (menos de 3 linhas). Testes ignorados.