Este projeto foi desenvolvido no contexto da disciplina Inteligência Artificial e tem como objetivo explorar diferentes modelos de aprendizado de máquina aplicados à área da saúde mental.
A proposta foi utilizar a base de dados Mental Health Diagnosis and Treatment Monitoring (Kaggle) para prever qual tipo de terapia seria mais adequada para cada paciente, considerando seu diagnóstico, idade, histórico de medicação e evolução clínica.
O trabalho envolveu desde a análise e transformação dos dados até a criação de variáveis derivadas, permitindo observar o impacto do pré-processamento na qualidade dos resultados. Foram aplicados diferentes classificadores da biblioteca Scikit-learn, com análises comparativas de desempenho.
- Limpeza de dados → remoção de colunas irrelevantes
- Análise exploratória → estatísticas e correlações
- Transformação de variáveis → conversão de texto para IDs categóricos
- Testes iniciais → baixa acurácia nos modelos crus
- Feature Engineering → criação de variáveis derivadas:
- Agrupamento por idade (
AgeGroupId) - Taxa de melhora por terapia (
ImprovedRate) - Score ponderado por número de pacientes (
ByTherapyScore)
- Agrupamento por idade (
- Treino final → uso apenas das variáveis derivadas
- Resultados → melhoria significativa na acurácia;
- Melhor modelo: Árvore de Decisão (bom equilíbrio entre desempenho, eficiência e interpretação).
Os testes iniciais com os dados brutos mostraram acurácia insatisfatória nos classificadores, independentemente do algoritmo utilizado. Após a criação de variáveis derivadas, os resultados melhoraram substancialmente, evidenciando o impacto do pré-processamento.
Entre os modelos aplicados (Naive Bayes, Decision Tree, SVM, KNN e Rede Neural), o que apresentou o melhor desempenho foi a Árvore de Decisão, com resultados consistentes, rapidez no treinamento e facilidade de interpretação visual.