Este projeto aborda a exploração de um conjunto de dados específico para insuficiência cardíaca e a implementação de um modelo de Machine Learning para prever a ocorrência de eventos de fatalidade.
O projeto envolve as seguintes etapas e ferramentas:
- Manipulação de dados com a biblioteca Pandas
- Visualização de dados com as bibliotecas Seaborn e Matplotlib
- Pré-processamento de dados, incluindo codificação de rótulos e normalização de colunas numéricas
- Divisão de dados em conjuntos de treinamento e teste
- Criação e treinamento de uma rede neural profunda usando a biblioteca Keras
- Avaliação do modelo e geração de um relatório de classificação
Nesta fase, o conjunto de dados é carregado utilizando o Pandas, variáveis categóricas são transformadas usando LabelEncoder e variáveis numéricas são convertidas para inteiros. Procedemos então com a EDA, iniciando com a criação de gráficos de barras para variáveis categóricas para analisar a taxa de eventos de morte para cada categoria.
Prosseguimos então com a criação de uma matriz de correlação para visualizar as relações entre as variáveis numéricas.
Os dados são divididos em conjuntos de treinamento e teste e a normalização StandardScaler é aplicada nas variáveis numéricas. Em seguida, construímos uma rede neural usando a biblioteca Keras, com uma camada de entrada, uma camada oculta (com função de ativação 'relu') e uma camada de saída (com função de ativação 'softmax'). O modelo é compilado com Categorical Cross-Entropy Loss, otimizador 'Adam' e métrica 'accuracy'.
Após o treinamento do modelo por 100 épocas, avaliamos a acurácia nos dados de teste e geramos um relatório de classificação para uma visão mais detalhada do desempenho do modelo.
A acurácia e a perda durante o treinamento são visualizadas através de gráficos para avaliar o desempenho do modelo ao longo do tempo e identificar potenciais problemas, como overfitting ou underfitting.
