Rede Neural de Camada Única para Classificação Binária (Python)

atividade2.py

import numpy as np

# Passo 1: Definição da função sigmoide e sua derivada
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def sigmoid_derivative(x):
    # x aqui já é a saída da sigmoide, então derivada = x * (1 - x)
    return x * (1 - x)

# Passo 2: Definição das matrizes de entrada (X) e saída desejada (y)
# Problema linearmente separável para garantir convergência em 1 camada
X = np.array([[0, 0, 1],
              [0, 1, 1],
              [1, 0, 1],
              [1, 1, 1]])

y = np.array([[0],
              [1],
              [1],
              [0]])

# Passo 3: Inicialização aleatória dos pesos (sinapses)
np.random.seed(1)  # Para reprodutibilidade
sinapses = 2 * np.random.random((3, 1)) - 1  # Valores entre -1 e 1

# Passo 4: Loop de treinamento (10.000 iterações)
print("Iniciando treinamento da rede neural...")
for iteracao in range(10000):
    # Propagação para frente (Forward Pass)
    entrada = X
    saida = sigmoid(np.dot(entrada, sinapses))
    
    # Cálculo do erro
    erro = y - saida
    
    # Cálculo do delta (ajuste) usando a derivada da sigmoide
    ajuste = erro * sigmoid_derivative(saida)
    
    # Atualização dos pesos
    sinapses += np.dot(entrada.T, ajuste)

# Passo 5: Exibição dos resultados
print("\n=== RESULTADOS APÓS 10.000 ITERAÇÕES ===")
print("Saída desejada (y):")
print(y)
print("\nSaída prevista pela rede:")
print(np.round(saida, 4))
print("\nPesos finais (sinapses):")
print(np.round(sinapses, 4))
print("\nErro médio final:", np.mean(np.abs(erro)))