---

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

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:

   git clone https://github.com/victorlcastro-dsa/coping_struggles_prediction.git
   cd coping_struggles_prediction

2. Crie um ambiente virtual e ative-o:

   python -m venv venv
   source venv/bin/activate  # No Windows use `venv\Scripts\activate`

3. Instale as dependências:

   pip install -r notebook/requirements.txt

Uso

1. Navegue até o diretório notebook e inicie o Jupyter Notebook:

   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.