Árvores de Decisão — Classificação de Pinguins

# Descrição

Projeto de árvores de decisão com scikit-learn para classificar espécies de pinguins (Adélia, Barbijo, Papua) usando o dataset Palmer Penguins. Aprenda os conceitos fundamentais: Gini Impurity para medir pureza de nós, feature importance para ranking de variáveis, controle de profundidade para evitar overfitting, poda com ccp_alpha e visualização da árvore completa com plot_tree. Compreenda por que as árvores são mais interpretáveis que KNN e não requerem escalonamento de dados.

$ ./deploy.sh $ git clone

# Características principais

$ Treinamento de árvores de decisão com scikit-learn

$ Visualização da árvore completa com plot_tree

$ Gini Impurity e critérios de divisão de nós

$ Feature importance: ranking das variáveis mais importantes

$ Controle de profundidade (max_depth) para evitar overfitting

$ Poda por custo-complexidade com ccp_alpha

# Galeria

Vista desktop

Vista móvel

# Tecnologias utilizadas

Python scikit-learn pandas matplotlib seaborn