Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/victorlcastro-dsa/coping_struggles_prediction
Repositório para prever dificuldades de enfrentamento com base em dados de saúde mental. Inclui análise, visualização e modelagem usando aprendizado de máquina. Resultados alcançam 86.58% de acurácia com um Voting Classifier.
https://github.com/victorlcastro-dsa/coping_struggles_prediction
classification-algorithm data-analysis data-science data-visualization machine-learning-algorithms problem-solving project-based-learning python
Last synced: 7 days ago
JSON representation
Repositório para prever dificuldades de enfrentamento com base em dados de saúde mental. Inclui análise, visualização e modelagem usando aprendizado de máquina. Resultados alcançam 86.58% de acurácia com um Voting Classifier.
- Host: GitHub
- URL: https://github.com/victorlcastro-dsa/coping_struggles_prediction
- Owner: victorlcastro-dsa
- Created: 2024-11-15T15:38:06.000Z (3 months ago)
- Default Branch: main
- Last Pushed: 2024-11-18T23:30:17.000Z (2 months ago)
- Last Synced: 2024-11-23T00:38:41.229Z (2 months ago)
- Topics: classification-algorithm, data-analysis, data-science, data-visualization, machine-learning-algorithms, problem-solving, project-based-learning, python
- Language: Jupyter Notebook
- Homepage:
- Size: 9.58 MB
- Stars: 0
- Watchers: 1
- Forks: 3
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
---
# Coping Struggles Prediction
Este projeto tem como objetivo prever dificuldades de enfrentamento com base em dados de saúde mental. Utilizamos um conjunto de dados coletados através de um formulário e aplicamos técnicas de aprendizado de máquina para criar um modelo preditivo.
Link para o notebook: [Coping Struggles Prediction](notebook/Coping_Struggles_ML.ipynb)
## Estrutura do Projeto
- `data/`: Contém os dados utilizados no projeto.
- `img/`: Contém imagens relacionadas ao projeto.
- `Mental Health Dataset.csv`: Conjunto de dados principal.
- `Respostas ao formulário.csv`: Respostas coletadas do formulário.
- `notebook/`: Contém notebooks Jupyter para análise e modelagem.
- `Coping_Struggles_ML.ipynb`: Notebook principal com a análise e modelagem.
- `final_model.joblib`: Modelo final treinado.
- `requirements.txt`: Dependências do projeto.
## Pré-requisitos
Certifique-se de ter o Python 3.11.9 instalado. Você pode especificar a versão do Python usando o arquivo `.python-version`.
## Instalação
1. Clone o repositório:
```sh
git clone https://github.com/victorlcastro-dsa/coping_struggles_prediction.git
cd coping_struggles_prediction
```
2. Crie um ambiente virtual e ative-o:
```sh
python -m venv venv
source venv/bin/activate # No Windows use `venv\Scripts\activate`
```
3. Instale as dependências:
```sh
pip install -r notebook/requirements.txt
```
## Uso
1. Navegue até o diretório `notebook` e inicie o Jupyter Notebook:
```sh
cd notebook
jupyter notebook
```
2. Abra o notebook `Coping_Struggles_ML.ipynb` e execute as células para reproduzir a análise e a modelagem.
## Análise e Modelagem
### Importação das Bibliotecas
As bibliotecas necessárias incluem:
- `pandas`
- `numpy`
- `matplotlib`
- `seaborn`
- `plotly`
- `scikit-learn`
### Carregamento dos Dados
Os dados são carregados do arquivo `Mental Health Dataset.csv` e armazenados em um DataFrame do pandas.
### Estudo dos Atributos
Análise dos atributos do dataset para entender suas características e identificar potenciais preditores.
### Visualização dos Dados
Gráficos de barras e mapas de calor são utilizados para visualizar a distribuição dos dados e correlações entre variáveis.
### Engenharia de Atributos
Transformações como One-Hot Encoding e Label Encoding são realizadas para preparar os dados para a modelagem.
### Seleção de Atributos
Técnicas de seleção de features são usadas para escolher os atributos mais relevantes.
### Experimentação Inicial de Modelos
Testes com diferentes modelos de aprendizado de máquina, incluindo:
- Regressão Logística
- K-Nearest Neighbors
- Random Forest
- Gradient Boosting
### Ajuste Fino dos Hiperparâmetros
GridSearchCV é utilizado para ajustar os hiperparâmetros do modelo Random Forest.
### Métodos de Ensemble
Combinação de modelos utilizando Voting Classifier para criar um modelo mais robusto.
### Avaliação do Modelo
Desempenho do modelo final avaliado com métricas como precisão, recall, F1-score e acurácia.
## Resultados
O modelo final, um Voting Classifier combinando Random Forest e AdaBoost, alcançou uma acurácia de 86.58% no conjunto de testes.
## Contribuição
Contribuições são bem-vindas! Abra issues e pull requests para colaborar.