🧠 Classificador de Emoções em Texto

Este projeto é um classificador de emoções desenvolvido em Python, capaz de identificar a emoção predominante em uma frase escrita.
Ele utiliza Machine Learning tradicional (TF-IDF + Logistic Regression) para analisar textos e classificá-los em uma das seguintes emoções:

• alegria
• ansiedade
• calma
• raiva
• tristeza

O objetivo é aprender, na prática, como funciona um pipeline completo de Machine Learning aplicado a linguagem natural.

---

🚀 Tecnologias utilizadas

• Python 3.10+
• Pandas
• Scikit-Learn
• NumPy
• Joblib

---

📂 Estrutura do projeto

classificador_emocoes_texto/
├── emotions_training.py # Treinamento do modelo
├── emotions_test.py # Testar o modelo manualmente
├── dataset_emocoes.csv # Dataset com frases e emoções
├── modelo_emocoes.pkl # Modelo treinado
├── requirements.txt # Dependências
└── README.md # Este arquivo

---

🏋️‍♂️ Como funciona o treinamento

O arquivo emotions_training.py:

1. Lê o dataset CSV contendo frases e suas emoções.
2. Converte as frases em vetores usando TF-IDF.
3. Treina um modelo de Logistic Regression para classificação multiclasse.
4. Avalia a acurácia no conjunto de teste.
5. Salva o modelo treinado em modelo_emocoes.pkl.

Execute o treinamento com:

python3 emotions_training.py

---

🧪 Como testar o modelo

O arquivo emotions_test.py permite digitar frases no terminal e ver a predição da IA:

Execute o test do treinamento:

python3 emotions_test.py

Exemplo:
Digite uma frase: Estou muito feliz hoje
Predição: alegria (confiança 0.87)

---

📊 Dataset

O dataset contém frases curtas representando diferentes emoções.
Você pode expandi-lo para melhorar o desempenho do modelo.

Formato:

texto,emocao
"Estou muito feliz hoje",alegria
"Sinto uma calma profunda",calma
"Estou nervoso com isso",ansiedade

---

🎯 Objetivo do projeto

Este projeto foi criado com foco educacional, para:

• Aprender os fundamentos de NLP com ML clássico
• Entender como montar um pipeline completo de classificação
• Experimentar com datasets próprios
• Servir como base para versões futuras usando modelos mais avançados (como Transformers / BERT)

---

📌 Próximos passos (futuros)

• Melhorar o dataset com frases mais variadas
• Testar outros modelos (Naive Bayes, SVM)
• Criar API com FastAPI
• Criar interface web simples (React ou HTML)
• Migrar para modelos Transformers (DistilBERT)

---

📜 Licença

Livre para estudo e uso pessoal.