{"id":23007361,"url":"https://github.com/aureliodeboa/restic-k-means","last_synced_at":"2025-04-02T15:21:08.183Z","repository":{"id":265740375,"uuid":"896555401","full_name":"aureliodeboa/Restic-K-means","owner":"aureliodeboa","description":null,"archived":false,"fork":false,"pushed_at":"2024-12-03T08:47:32.000Z","size":9719,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-08T06:16:35.086Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/aureliodeboa.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-11-30T17:15:08.000Z","updated_at":"2024-12-03T08:47:36.000Z","dependencies_parsed_at":"2024-11-30T19:27:47.451Z","dependency_job_id":"8d9f3ed0-7471-4b13-9c35-4a580a706123","html_url":"https://github.com/aureliodeboa/Restic-K-means","commit_stats":null,"previous_names":["aureliodeboa/restic-k-means"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aureliodeboa%2FRestic-K-means","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aureliodeboa%2FRestic-K-means/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aureliodeboa%2FRestic-K-means/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aureliodeboa%2FRestic-K-means/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/aureliodeboa","download_url":"https://codeload.github.com/aureliodeboa/Restic-K-means/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":246837615,"owners_count":20841906,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2024-12-15T08:15:22.468Z","updated_at":"2025-04-02T15:21:08.162Z","avatar_url":"https://github.com/aureliodeboa.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🔍 Análise e Clusterização de Dados com K-means, PCA e t-SNE\n## 🎯 Objetivo do Projeto\nO objetivo deste projeto é explorar e analisar um conjunto de dados de alta dimensionalidade utilizando técnicas de clusterização e redução dimensional. A proposta inclui a identificação de padrões ou grupos presentes nos dados através de algoritmos como Clusterização Hierárquica, K-Means, PCA (Análise de Componentes Principais) e t-SNE, buscando entender melhor a estrutura dos dados e a separação entre os clusters.\n\n### ✍️ Instruções para Executar o Código\nPara reproduzir o projeto, siga os passos abaixo:\n\n### 👨‍💻 Execução do Código:\n\n- Baixe o arquivo \"Atividade2Restic.ipynb\" do projeto e abra-o no Google Colab.\n- Execute as células na sequência em que estão dispostas no notebook.\n\n### 📐 Ajuste de Parâmetros:\n\nCaso necessário, ajuste os parâmetros de clusterização, como o número de clusters no K-Means ou o valor de perplexity no t-SNE, para testar diferentes cenários.\n\n### 📊 Visualização dos Resultados:\n\nO código gera gráficos e métricas que ajudam a interpretar a estrutura dos dados e a qualidade dos clusters identificados.\n\n## 📑 Principais Conclusões e Considerações sobre os Resultados Obtidos\n\n### 📈 Clusterização Hierárquica e Determinação de Clusters:\n\nA análise visual do dendrograma sugeriu que 3 clusters representavam bem a estrutura dos dados.\n\n### 📉 Redução Dimensional (PCA e t-SNE):\n\nO PCA revelou que 60% da variância dos dados pode ser explicada pelos três primeiros componentes principais.\nA aplicação do t-SNE possibilitou uma visualização mais detalhada em dimensões reduzidas, facilitando a análise visual da separação entre os clusters.\n\n### 🧾 Resultados do K-Means:\n\nO algoritmo K-Means mostrou uma boa separação visual dos clusters, mas o baixo valor de Silhouette Score e a alta Inércia sugerem que alguns pontos estão mal posicionados ou em zonas de transição entre clusters.\n\n### 📝 Limitações e Sugestões Futuras:\n\nA alta dimensionalidade dos dados e a presença de correlações entre variáveis podem ter influenciado a qualidade dos clusters.\nTestar outros algoritmos de clusterização, como DBSCAN ou Gaussian Mixture Models, pode trazer resultados complementares.\nInvestigar a viabilidade de incluir mais variáveis ou ajustar a forma como os dados foram processados pode ajudar na obtenção de clusters mais bem definidos.\n\n### 👥 Autores  \n\n- 🎯 **Andressa**   \n  - 🐙 [GitHub](https://github.com/xndrxssx)\n- 🎯 **Aurélio**   \n  - 🐙 [GitHub](https://github.com/aureliodeboa)\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Faureliodeboa%2Frestic-k-means","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Faureliodeboa%2Frestic-k-means","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Faureliodeboa%2Frestic-k-means/lists"}