🧩 Projeto de Machine Learning – K-Means

1. Exploração dos Dados

O dataset analisado, fitness_dataset.csv, contém 2.000 registros e 11 variáveis, relacionadas à saúde e hábitos de vida dos participantes.
O objetivo da análise foi aplicar K-Means para identificar agrupamentos naturais (clusters) de indivíduos com características semelhantes, sem utilizar a variável-alvo is_fit.

🧠 Descrição das variáveis principais

📊 Análise exploratória

• A variável is_fit apresenta leve desbalanceamento (~60% não fit e 40% fit).
• Há correlações coerentes:
• activity_index e nutrition_quality correlacionam-se positivamente com o fitness;
• weight_kg, heart_rate e blood_pressure estão associadas negativamente.
• O dataset possui ruído e sobreposição entre classes, simulando dados reais.

(Insira aqui figuras exploratórias geradas: distribuição, crosstab por gênero, estatísticas descritivas.)

2. Pré-processamento

O tratamento dos dados incluiu:

1. Limpeza e imputação de valores ausentes
2. Símbolos “?” convertidos em NaN.
3. Numéricas: imputadas pela mediana.

4. Categóricas: imputadas pela moda.

5. Padronização e codificação

6. smokes convertida em binária (yes/1 → 1, no/0 → 0).

7. gender transformada em OneHotEncoder.

8. Criação de variável derivada

9. bmi (índice de massa corporal) = weight_kg / (height_cm/100)**2.

10. Normalização

11. Escalonamento com StandardScaler para evitar distorção entre variáveis.

Trecho ilustrativo:

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler

num_imputer = SimpleImputer(strategy="median")
X_num = num_imputer.fit_transform(X_num_raw)

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_num)

3. Divisão dos Dados

Abordagem adotada:

• O K‑Means é não supervisionado, portanto o treino usa todos os registros processados.
• Entretanto, para avaliação e relatórios, preservei a coluna is_fit e exportei atribuições por registro para validação externa.

Arquivos gerados: - data/kmeans_assignments.csv — atribuição de cluster por registro com is_fit. - data/kmeans_cluster_profile.csv — médias por cluster. - data/kmeans_cluster_fit_distribution.csv — proporção de is_fit por cluster.

4. Treinamento e Execução do K-Means

O modelo foi implementado conforme o pipeline:

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
cluster_labels = kmeans.fit_predict(X_scaled)

🔹 Projeção PCA 2D dos Clusters

A redução de dimensionalidade com PCA exibe três agrupamentos principais: - Dois clusters com alta sobreposição (hábitos intermediários). - Um cluster mais distinto, representando casos extremos (ex.: alto BMI ou baixa atividade).

5. Avaliação e Interpretação dos Resultados

🧩 Perfis médios por cluster

📈 Cruzamento com is_fit

• Cluster 2 (Ativo) → maior proporção de is_fit = 1.
• Cluster 0 (Sedentário) → predominância de is_fit = 0.
• Cluster 1 (Intermediário) → mistura equilibrada entre ambos.

Essas relações confirmam que o modelo capturou padrões coerentes com condicionamento físico, mesmo sem usar is_fit no treino.

6. Relatório Final e Melhorias

🧾 Conclusões

• K-Means com K = 3 apresentou boa interpretabilidade prática e capturou perfis coerentes de saúde.
• Resultados mostram relação consistente entre atividade, nutrição e probabilidade de estar em forma.

⚠️ Limitações

• Outliers em weight_kg e blood_pressure afetam a formação dos clusters.

🚀 Sugestões de melhoria

1. Testar algoritmos alternativos (DBSCAN, Gaussian Mixture).
2. Tratar/remover outliers em weight_kg e bmi antes do agrupamento.
3. Aplicar PCA ou t-SNE antes do K‑Means para melhorar separabilidade.
4. Enriquecer o conjunto de features (IMC categórico, qualidade do sono categorizada, interações).