Vídeo https://drive.google.com/file/d/18OULxholinFgChE8DW1gPCAW3GE-ULYB/view?usp=sharing

Análise Comparativa de Modelos para Previsão de AVC 🧠

Este projeto contém uma implementação completa em Python de um fluxo de trabalho de Machine Learning para comparar rigorosamente o desempenho de vários algoritmos de classificação na tarefa de previsão de Acidente Vascular Cerebral (AVC).

A análise utiliza uma metodologia robusta, incluindo:

• Validação Cruzada Aninhada (Nested Cross-Validation): Para uma estimativa de desempenho não enviesada e ajuste de hiperparâmetros.
• Pipeline de Pré-processamento: Garante que o tratamento dos dados (imputação, normalização, etc.) seja aprendido apenas no conjunto de treino para evitar vazamento de dados (data leakage).
• Tratamento de Desbalanceamento: Utiliza a técnica SMOTE para lidar com a natureza desbalanceada do conjunto de dados.
• Análise Estatística: Emprega o Teste de Wilcoxon para determinar se as diferenças de desempenho entre os modelos são estatisticamente significativas.

---

Como Usar este Projeto

Primeiramente, você deve instalar as dependências:

pip install -r requirements.txt

O projeto está organizado da seguinte forma:

• datasets/: esta pasta deve conter o arquivo healthcare-dataset-stroke-data.csv. 📁
• results/: esta pasta é criada automaticamente para salvar o gráfico comparativo dos modelos. 📊
• classifier.py: o arquivo principal que contém toda a lógica de pré-processamento, modelagem e avaliação. 🐍

Para executar a análise completa, basta rodar o script principal no seu terminal:

python classifier.py

O script irá imprimir os resultados da validação e do teste para cada modelo no console e salvará um boxplot comparativo na pasta results/.

---

Metodologia

Todas as etapas de pré-processamento e modelagem seguem as melhores práticas para garantir uma avaliação justa e robusta dos modelos.

1. Pré-processamento: Inclui a limpeza inicial, imputação de valores ausentes (bmi) baseada em grupos de gênero e idade, codificação de variáveis categóricas e tratamento de outliers (Winsorizing). Todas as etapas de transformação são ajustadas apenas nos dados de treino a cada fold da validação cruzada.
2. Modelagem: Para cada algoritmo, uma Validação Cruzada Aninhada é executada:
   • Loop Externo (5-folds): Divide os dados para estimar o desempenho do modelo em dados não vistos.
   • Loop Interno (3-folds com GridSearchCV): Realiza a busca pelos melhores hiperparâmetros dentro de cada fold de treino do loop externo.
3. Avaliação: Os modelos são avaliados usando as métricas Acurácia Balanceada e Average Precision, adequadas para problemas desbalanceados. Os resultados da validação cruzada são apresentados com média e Intervalo de Confiança de 95%.
4. Comparação Estatística: Ao final, um Teste de Wilcoxon é aplicado aos resultados da acurácia balanceada de todos os modelos para verificar se as diferenças de desempenho são estatisticamente significantes.

---

Algoritmos Avaliados

Este script compara o desempenho dos seguintes algoritmos de classificação:

• DummyClassifier (Baseline)
• Logistic Regression
• K-Nearest Neighbors (KNN)
• Decision Tree
• Support Vector Machine (SVM)
• Gaussian Naive Bayes
• Random Forest
• AdaBoost
• XGBoost

---

Dependências Principais 📚

Se preferir instalar manualmente, as principais bibliotecas utilizadas são:

• pandas
• numpy
• scikit-learn
• imbalanced-learn
• xgboost
• matplotlib
• seaborn
• scipy

---

Análise Exploratória de Dados (EDA) - Previsão de AVC 📊

Este repositório contém scripts Python para uma Análise Exploratória de Dados (EDA) detalhada e multifacetada do conjunto de dados sobre Acidente Vascular Cerebral (AVC). O objetivo é investigar as relações entre as variáveis, identificar os principais fatores de risco e extrair insights que possam guiar a etapa de modelagem preditiva.

A análise é dividida em duas abordagens complementares:

• Análise Estatística Profunda: Focada em testes de hipóteses e quantificação de associações.
• Visualização Bivariada Detalhada: Focada na criação de gráficos individuais para cada variável, comparando a incidência de AVC contra uma linha de base geral.

Principais Características e Análises

O projeto realiza uma investigação completa, cobrindo os seguintes pontos:

• Estatísticas Descritivas: Análise inicial de desbalanceamento de classes e valores ausentes.
• Testes Estatísticos Bivariados:
  • Teste Qui-quadrado (χ²): Para avaliar a associação entre variáveis categóricas (gênero, hipertensão, etc.) e a ocorrência de AVC. A força da associação é medida com o V de Cramér.
  • Teste Mann-Whitney U: Para comparar as distribuições de variáveis numéricas (idade, glicose, IMC) entre os grupos com e sem AVC, ideal para dados não-normais.
• Análise de Correlação: Utiliza a correlação de Spearman para medir a força e a direção da relação monotônica entre as variáveis numéricas.
• Análise de Risco Combinado: Cria um risk_score para demonstrar como a combinação de fatores de risco (idade, hipertensão, doença cardíaca) impacta a probabilidade de AVC.
• Visualização Padronizada: Gera gráficos de barras para cada variável, mostrando o percentual de casos de AVC por categoria e uma linha de base (média geral de AVC), facilitando a identificação de grupos de risco.

Como Usar

Tendo em vista que você já instalou as dependências anteriormente, então execute o comando abaixo para gerar a análise dos dados:

# Para a análise estatística e gráficos de resumo
python analisis.py

Os resultados dos testes estatísticos serão impressos no console, e todos os gráficos gerados serão salvos na pasta analisis/.

Principais Insights e Visualizações 💡

A execução dos scripts gera uma série de visualizações e relatórios estatísticos. Os principais insights incluem:

• Fatores de Risco Dominantes: Idade, hipertensão e doença cardíaca são os fatores mais fortemente associados a um maior risco de AVC.
• O Enigma do IMC (BMI): Embora estatisticamente significativo, o IMC por si só não é um forte discriminador. A análise mostra que a média de IMC não aumenta drasticamente com a idade, ao contrário da taxa de AVC, indicando que seu impacto é mais complexo.
• Efeito de Combinação: O risk_score demonstra claramente que a acumulação de fatores de risco eleva exponencialmente a probabilidade de um AVC.