File size: 6,022 Bytes
40d4065 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 | #!/usr/bin/env python3
"""
Interface interativa para adicionar perguntas, treinar e testar o modelo decision-lord.
Uso: python interactive.py
"""
import csv
import os
import sys
import joblib
from collections import OrderedDict
CSV_PATH = "dados.csv"
MODEL_PATH = "modelo_abcd.joblib"
def carregar_perguntas():
"""Lê o CSV e retorna lista de dicts."""
perguntas = []
if not os.path.exists(CSV_PATH):
return perguntas
with open(CSV_PATH, newline="", encoding="utf-8") as f:
leitor = csv.DictReader(f)
for linha in leitor:
perguntas.append({
"pergunta": linha["pergunta"],
"opcoes": {
"A": linha["opcao_a"],
"B": linha["opcao_b"],
"C": linha["opcao_c"],
"D": linha["opcao_d"],
},
"correta": linha["correta"],
})
return perguntas
def salvar_perguntas(perguntas):
"""Salva a lista de perguntas no CSV."""
with open(CSV_PATH, "w", newline="", encoding="utf-8") as f:
escritor = csv.DictWriter(
f,
fieldnames=["pergunta", "opcao_a", "opcao_b", "opcao_c", "opcao_d", "correta"],
)
escritor.writeheader()
for p in perguntas:
escritor.writerow({
"pergunta": p["pergunta"],
"opcao_a": p["opcoes"]["A"],
"opcao_b": p["opcoes"]["B"],
"opcao_c": p["opcoes"]["C"],
"opcao_d": p["opcoes"]["D"],
"correta": p["correta"],
})
def adicionar_pergunta():
"""Coleta nova pergunta do usuário."""
print("\n" + "=" * 50)
print("NOVA PERGUNTA")
print("=" * 50)
pergunta = input("Pergunta: ").strip()
if not pergunta:
return None
opcoes = {}
for letra in "ABCD":
while True:
opcao = input(f" Opção {letra}: ").strip()
if opcao:
opcoes[letra] = opcao
break
print(" Opção não pode estar vazia.")
while True:
correta = input("Qual é a correta? (A/B/C/D): ").strip().upper()
if correta in "ABCD":
break
print(" Digite apenas A, B, C ou D.")
return {"pergunta": pergunta, "opcoes": opcoes, "correta": correta}
def treinar():
"""Re-treina o modelo com todos os dados atuais."""
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
perguntas = carregar_perguntas()
if len(perguntas) < 5:
print(f"\n⚠️ Apenas {len(perguntas)} perguntas. Adicione pelo menos 5 pra treinar.")
return False
rows = []
for p in perguntas:
for letra in "ABCD":
texto = f"pergunta: {p['pergunta']} | opcao: {p['opcoes'][letra]}"
rows.append({"texto": texto, "label": 1 if p["correta"] == letra else 0})
treino = pd.DataFrame(rows)
modelo = Pipeline([
("tfidf", TfidfVectorizer(ngram_range=(1, 2), min_df=1)),
("clf", LogisticRegression(max_iter=2000, class_weight="balanced")),
])
modelo.fit(treino["texto"], treino["label"])
joblib.dump(modelo, MODEL_PATH)
print(f"\n✅ Modelo treinado com {len(perguntas)} perguntas ({len(treino)} amostras).")
return True
def testar():
"""Testa o modelo com uma pergunta manual."""
if not os.path.exists(MODEL_PATH):
print("\n⚠️ Modelo não treinado ainda. Treine primeiro.")
return
modelo = joblib.load(MODEL_PATH)
perguntas = carregar_perguntas()
print("\n" + "=" * 50)
print("TESTE RÁPIDO")
print("=" * 50)
pergunta = input("Pergunta: ").strip()
if not pergunta:
return
opcoes = {}
for letra in "ABCD":
while True:
opcao = input(f" Opção {letra}: ").strip()
if opcao:
opcoes[letra] = opcao
break
scores = {}
for letra, texto in opcoes.items():
entrada = f"pergunta: {pergunta} | opcao: {texto}"
scores[letra] = modelo.predict_proba([entrada])[0][1]
melhor = max(scores, key=scores.get)
print("\n📊 Scores:")
for k in "ABCD":
barra = "█" * int(scores[k] * 40)
print(f" {k}: {scores[k]:.4f} {barra}")
print(f"\n✅ Resposta prevista: {melhor}")
# Mostra se acertou (se a pergunta estiver no dataset)
for p in perguntas:
if p["pergunta"].lower() == pergunta.lower():
if p["correta"] == melhor:
print("🎉 Acertei a correta!")
else:
print(f"❌ Correta seria {p['correta']}.")
break
def menu():
while True:
print("\n" + "=" * 50)
print(" DECISION-LORD · INTERACTIVE")
print("=" * 50)
print("1. Adicionar nova pergunta")
print("2. Treinar modelo com os dados atuais")
print("3. Testar modelo")
print("4. Ver perguntas salvas")
print("5. Sair")
print("=" * 50)
opcao = input("Escolha: ").strip()
if opcao == "1":
p = adicionar_pergunta()
if p:
perguntas = carregar_perguntas()
perguntas.append(p)
salvar_perguntas(perguntas)
print(f"\n✅ Pergunta salva! ({len(perguntas)} no total)")
elif opcao == "2":
treinar()
elif opcao == "3":
testar()
elif opcao == "4":
perguntas = carregar_perguntas()
print(f"\n📚 {len(perguntas)} perguntas salvas:")
for i, p in enumerate(perguntas, 1):
print(f" {i}. {p['pergunta'][:60]}... → {p['correta']}")
elif opcao == "5":
print("Até logo! 👋")
sys.exit(0)
else:
print("Opção inválida.")
if __name__ == "__main__":
menu() |