Datasets

O repositorio cobre dois grupos de datasets: sinteticos e reais pequenos empacotados.

Sinteticos

• xor
• binario
• multiclasse
• regressao

Esses datasets sao bons para estudar o comportamento do algoritmo de forma controlada.

Reais empacotados

• iris: classificacao multiclasse com 150 amostras
• wine: classificacao multiclasse com 178 amostras
• diabetes: regressao com 442 amostras

Eles ficam dentro do pacote em src/datasets/ e podem ser usados mesmo depois de instalar o projeto via pip.

Exemplo de uso

from rede_neural_do_zero import DataUtils

X, y, meta = DataUtils.carregar_dataset_wine(normalizar="padrao")
print(X.shape, y.shape)
print(meta["feature_names"])
print(meta["tipo_tarefa"])

Quando usar cada um

• xor: entender nao linearidade
• binario: estudar classificacao binaria com fronteira 2D
• multiclasse: estudar softmax e matriz de confusao
• regressao: estudar saida linear e mse
• iris e wine: mostrar que o projeto funciona em datasets reais pequenos
• diabetes: demonstrar regressao em um dataset real

Onde cada coisa fica

• src/datasets/: CSVs reais distribuidos junto do pacote
• src/data/: geracao de datasets sinteticos e utilitarios
• data/: notas de apoio do repositorio sobre dados e exemplos