A Subida de Recuperação
Depois do salto, a subida exige inteligência — não só força. Aqui você recorre ao cérebro artificial para tomar decisões melhores a cada pedalada.
Objetivos da Fase
O que você vai aprender:
- O que é Machine Learning e quando usá-lo
- Árvores de decisão com scikit-learn
- Dados de treino vs. dados de teste
- Listas de dados estruturados (features + labels)
- Avaliação de acurácia de modelos
- Bots inteligentes: tomada de decisão por predição
- Integração de IA no simulador do Circuito
O que você vai criar:
- Modelo de classificação de corredores
- Preditor de resultado do salto (buraco/voo)
- Bot que sugere velocidade ideal para a rampa
- Relatório de acurácia com dados históricos
4.1 — O Problema que a IA Resolve
Treinar 100 pilotos manualmente é inviável. Mas se tivermos os dados históricos de 6 corridas — peso, velocidade, inclinação, resultado — podemos ensinar uma máquina a decidir.
📊 Dados de treino do Circuito Ferradura
Features (entradas): [velocidade, peso, inclinação_rampa]
Label (saída): 0 = BURACO, 1 = QUASE, 2 = VOOU, 3 = LENDÁRIO
# Dataset do Circuito Ferradura — corridas históricas
X = [
[4.5, 65, 15], # velocidade, peso (kg), inclinação (°)
[7.0, 70, 20],
[9.5, 60, 25],
[11.0, 55, 30],
[3.0, 80, 10],
[8.5, 63, 22],
[6.5, 72, 18],
[12.0, 58, 35],
]
y = [0, 1, 2, 3, 0, 2, 1, 3] # BURACO, QUASE, VOOU, LENDÁRIO
CLASSES = ["BURACO", "QUASE", "VOOU", "LENDÁRIO"]
4.2 — Treinando o Modelo
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
X_treino, X_teste, y_treino, y_teste = train_test_split(
X, y, test_size=0.25, random_state=42
)
modelo = DecisionTreeClassifier(max_depth=4, random_state=42)
modelo.fit(X_treino, y_treino)
novo_piloto = [[8.0, 67, 21]]
predicao = modelo.predict(novo_piloto)
print(f"Resultado previsto: {CLASSES[predicao[0]]}")
precisao = accuracy_score(y_teste, modelo.predict(X_teste))
print(f"Acurácia no teste: {precisao:.0%}")
4.3 — Bot Inteligente de Corrida
Com o modelo treinado, criamos um bot que analisa as condições da pista em tempo real e sugere a velocidade ideal para o salto.
class BotFerradura:
def __init__(self, modelo, classes):
self.modelo = modelo
self.classes = classes
def analisar(self, velocidade: float, peso: float, inclinacao: float) -> str:
entrada = [[velocidade, peso, inclinacao]]
codigo = self.modelo.predict(entrada)[0]
resultado = self.classes[codigo]
if codigo == 0:
dica = "⚠️ Aumente a velocidade! Risco de buraco."
elif codigo == 3:
dica = "🏆 Velocidade lendária! Segure o guidão."
else:
dica = f"✅ Resultado previsto: {resultado}"
return dica
bot = BotFerradura(modelo, CLASSES)
print(bot.analisar(9.0, 65, 25))
✅ Resultado previsto: VOOU
✅ Checklist da Fase 4
🤖 Projeto da Fase 4
Expanda o dataset para 20 corridas, separe 80% para treino e 20% para teste real,
avalie a acurácia no conjunto de teste, e ajuste o max_depth para encontrar
o modelo mais equilibrado (sem overfitting). Documente os resultados.