{"id":20267787,"url":"https://github.com/ledsouza/machine-learning-students-dropout","last_synced_at":"2026-04-13T06:37:00.252Z","repository":{"id":240434238,"uuid":"799665344","full_name":"ledsouza/machine-learning-students-dropout","owner":"ledsouza","description":"Este projeto utiliza aprendizado de máquina supervisionado para prever a evasão e o sucesso acadêmico de estudantes universitários com base em dados coletados no momento da matrícula.","archived":false,"fork":false,"pushed_at":"2024-05-18T20:30:55.000Z","size":328,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-14T05:22:11.084Z","etag":null,"topics":["data-science","machine-learning","machine-learning-algorithms","python","random-forest"],"latest_commit_sha":null,"homepage":"","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/ledsouza.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":"2024-05-12T20:01:50.000Z","updated_at":"2024-05-18T20:39:31.000Z","dependencies_parsed_at":"2024-05-18T21:36:18.084Z","dependency_job_id":null,"html_url":"https://github.com/ledsouza/machine-learning-students-dropout","commit_stats":null,"previous_names":["ledsouza/machine-learning-students-dropout"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ledsouza%2Fmachine-learning-students-dropout","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ledsouza%2Fmachine-learning-students-dropout/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ledsouza%2Fmachine-learning-students-dropout/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ledsouza%2Fmachine-learning-students-dropout/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/ledsouza","download_url":"https://codeload.github.com/ledsouza/machine-learning-students-dropout/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":241746795,"owners_count":20013165,"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":["data-science","machine-learning","machine-learning-algorithms","python","random-forest"],"created_at":"2024-11-14T12:15:10.675Z","updated_at":"2026-04-13T06:37:00.206Z","avatar_url":"https://github.com/ledsouza.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Previsão de Evasão e Sucesso Acadêmico em Instituições de Ensino Superior com Random Forest\n![Static Badge](https://img.shields.io/badge/Status-Finalizado-Green)\n\n## Descrição\n\nEste projeto utiliza aprendizado de máquina supervisionado para prever a evasão e o sucesso acadêmico de estudantes universitários com base em dados coletados no momento da matrícula. O modelo Random Forest Classifier é empregado para lidar com o desequilíbrio de classes e fornecer insights valiosos para intervenções direcionadas.\n\n## Tecnologias Utilizadas\n\n* **Linguagem de Programação:** Python\n* **Bibliotecas de Aprendizado de Máquina:**\n    * Scikit-learn (RandomForestClassifier, métricas de avaliação, etc.)\n    * Imbalanced-learn (técnica de reamostragem SMOTE)\n* **Bibliotecas de Manipulação de Dados:**\n    * Pandas\n* **Visualização de Dados:**\n    * Matplotlib\n    * Seaborn\n    * Plotly\n\n## Detalhes\n\n### 1. Obtenção e Análise Exploratória dos dados\n\n* **Fontes de Dados:** Os dados utilizados foram obtidos a partir do [UCI Machine Learning Repository](https://archive.ics.uci.edu/dataset/697/predict+students+dropout+and+academic+success)\n* **Análise:**\n    * Desenvolvida visualização gráfica de características relevantes dos dados.\n    * Identificação dos atributos mais importantes para a previsão.\n    * Análise do impacto de diferentes fatores na evasão e no sucesso acadêmico.\n    * Analisada a distribuição da variável alvo e como ela poderia influenciar o modelo.\n\n### 2. Implementação de OneHotEncoder\n\n\u003cimg width=\"1006\" alt=\"image\" src=\"https://github.com/ledsouza/machine-learning-students-dropout/assets/56280624/d6e76116-7070-43cc-b5d9-dcd99290adff\"\u003e\n\n### 3. Modelagem Preditiva\n\n* **Algoritmo:** Random Forest Classifier\n    * Adequado para lidar com desequilíbrio de classes.\n    * Adequado para lidar com multiclasses.\n    * Robusto a outliers e ruído nos dados.\n    * Interpretabilidade razoável.\n* **Validação Cruzada:**\n    * Garante a generalização do modelo para novos dados.\n    * Permite ajuste de hiperparâmetros.\n* **Métricas de Avaliação:**\n    * Acurácia (com cautela devido ao desequilíbrio).\n    * Precisão, recall, F1-score (para cada classe).\n* **Técnicas de Reamostragem:**\n    * Oversampling (SMOTE) para lidar com o desequilíbrio de classes.\n\n\u003cimg width=\"560\" alt=\"image\" src=\"https://github.com/ledsouza/machine-learning-students-dropout/assets/56280624/14666977-bb04-4467-b8a7-ec1b81011232\"\u003e\n\n### Observações\n\n* **Desequilíbrio de Classes:** É crucial abordar o desequilíbrio de classes para evitar que o modelo seja enviesado em favor da classe majoritária.\n* **Interpretabilidade:** O Random Forest oferece alguma interpretabilidade, mas técnicas adicionais podem ser exploradas para entender melhor as decisões do modelo.\n\nEste projeto tem o potencial de fornecer informações valiosas para as instituições de ensino superior, permitindo que elas identifiquem estudantes em risco de evasão ou com dificuldades acadêmicas e implementem intervenções direcionadas para melhorar seus resultados.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fledsouza%2Fmachine-learning-students-dropout","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fledsouza%2Fmachine-learning-students-dropout","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fledsouza%2Fmachine-learning-students-dropout/lists"}