🔍
Configure K e os hiperparâmetros, depois clique em Treinar KNN para visualizar.
📐 Fronteira
👥 Vizinhos
📈 Análise K
📊 Métricas
📋 Dados
A fronteira de decisão é um corte 2D do espaço de features: as demais features ficam fixas na média do treino. Regiões coloridas = classe prevista. Pontos com anel = dados de teste (✕ = erro do modelo). Clique num ponto de teste para abri-lo no inspetor de vizinhos.
Inspetor de vizinhos. Escolha uma amostra de teste e veja como o KNN a classifica:
ele mede a distância dela até todas as amostras de treino, pega as
K mais próximas e faz uma votação.
A distância usa todas as features (já normalizadas); o gráfico mostra só a projeção em 2 delas, por isso um vizinho pode parecer mais longe do que outro ponto.
Atalhos: ← → trocam de amostra e espaço anima a votação.
Treine o modelo para inspecionar as amostras de teste.
A escolha de K impacta diretamente o balanço bias-variância.
K pequeno → baixo bias, alta variância (overfitting). K grande → alto bias, baixa variância (underfitting).
O gráfico abaixo mostra a acurácia de treino e teste para diferentes valores de K.
Linha azul = acurácia de treino · Linha verde = acurácia de teste ·
Marcador = K atual selecionado
-
Acurácia
-
Precisão (macro)
-
Recall (macro)
-
F1-Score (macro)
🎯 Matriz de Confusão
Treine primeiro
📋 Relatório de Classificação
Treine primeiro
Dados de teste com predição KNN · clique numa linha para abrir a amostra no inspetor de vizinhos
Treine primeiro