K-Means

Introdução ao K-Means

O algoritmo K-Means foi aplicado com o objetivo de identificar padrões e agrupar os indivíduos em clusters com características semelhantes relacionadas à saúde e ao condicionamento físico. Diferente dos métodos supervisionados, como a árvore de decisão e o KNN, o K-Means é um algoritmo de aprendizado não supervisionado, que organiza os dados em grupos de acordo com a proximidade entre seus atributos, sem utilizar diretamente a variável-alvo is_fit como guia. Dessa forma, é possível verificar se os agrupamentos formados refletem, ao menos parcialmente, a divisão entre pessoas classificadas como “fit” e “não fit”, oferecendo uma perspectiva complementar sobre como os hábitos e indicadores de saúde se distribuem na base.

Descrição sobre o banco

Para mais informações, cheque a página sobre Árvore de decisão, aqui tem toda a explicação necessária para compreender as variáveis e as outras coisas.

Análise dos dados

Pré-processamento

Nesta etapa tratei e preparei os dados para treinar a Árvore de Decisão. Antes do tratamento, a base apresentava valores ausentes em sleep_hours, tipos mistos em smokes (valores como yes/no e 0/1 ao mesmo tempo) e variáveis categóricas em texto (gender com F/M). Abaixo, o que foi feito:

• Padronização de categóricas

• smokes: normalizei rótulos e converti para binário numérico (no→0, yes→1, cobrindo também 0/1 em string).

• gender: converti F→0 e M→1.

• Valores ausentes

• sleep_hours: converti para numérico e imputei a mediana.

• Tipos e consistência

• Garanti que as variáveis contínuas ficaram em formato numérico, sem strings residuais/espaços.

• Criação de nova variável

• Criei a variável BMI (peso(kg) / altura(m)²) para avaliar seu impacto. Na exploração, mantenho height_cm e weight_kg para referência; na modelagem, comparo dois cenários: (A) sem BMI (altura + peso) e (B) com apenas BMI, evitando usar os três juntos no mesmo modelo para não introduzir redundância.

import pandas as pd

df = pd.read_csv("./src/fitness_dataset.csv")

df["sleep_hours"] = df["sleep_hours"].fillna(df["sleep_hours"].median())

df["smokes"] = (
    df["smokes"].astype(str).str.strip().str.lower()
      .map({"yes": 1, "no": 0, "1": 1, "0": 0})
).astype(int)

df["gender"] = df["gender"].replace({"F": 0, "M": 1}).astype(int)

h_m = pd.to_numeric(df["height_cm"], errors="coerce") / 100.0
bmi = pd.to_numeric(df["weight_kg"], errors="coerce") / (h_m**2)
df["bmi"] = bmi.replace([float("inf"), float("-inf")], pd.NA).fillna(bmi.median())

print(df.sample(n=15).to_markdown(index=False))

Divisão dos Dados

Diferentemente dos modelos supervisionados, o K-Means é um algoritmo não supervisionado e, portanto, não requer a separação em treino e teste. Após o pré-processamento, utilizei todo o conjunto de dados para formar os clusters com base apenas nas variáveis explicativas (idade, frequência cardíaca, pressão arterial, horas de sono, qualidade da nutrição, nível de atividade física, tabagismo, gênero e o BMI). A variável-alvo is_fit foi mantida de lado e utilizada apenas posteriormente para avaliar a correspondência entre os clusters encontrados e as classes reais (“fit” vs. “não fit”).

Como o K-Means é sensível à escala, apliquei padronização (z-score) às variáveis numéricas, garantindo que nenhum atributo dominasse a distância euclidiana. Além disso, para evitar redundância, substituí height_cm e weight_kg pela variável derivada bmi. Dessa forma, os agrupamentos refletem padrões de similaridade nos hábitos e indicadores de saúde, e a validação com is_fit serve apenas como referência externa de qualidade do clustering.

import pandas as pd
from sklearn.preprocessing import StandardScaler

df = pd.read_csv("./src/fitness_dataset.csv")

# sleep_hours
df["sleep_hours"] = pd.to_numeric(df["sleep_hours"], errors="coerce").fillna(df["sleep_hours"].median())

# smokes -> 0/1
df["smokes"] = (
    df["smokes"].astype(str).str.strip().str.lower()
      .map({"yes": 1, "no": 0, "1": 1, "0": 0})
).astype(int)

# gender -> 0/1
df["gender"] = df["gender"].replace({"F": 0, "M": 1}).astype(int)

# BMI
h_m = pd.to_numeric(df["height_cm"], errors="coerce") / 100.0
bmi = pd.to_numeric(df["weight_kg"], errors="coerce") / (h_m**2)
df["bmi"] = bmi.replace([float("inf"), float("-inf")], pd.NA).fillna(bmi.median())

# Features e alvo (y só para avaliação externa)
num_cols = ["age","heart_rate","blood_pressure","sleep_hours","nutrition_quality","activity_index","bmi"]
cat_cols = ["smokes","gender"]
target = "is_fit"

for c in num_cols:
    df[c] = pd.to_numeric(df[c], errors="coerce").fillna(df[c].median())

X_num = df[num_cols]
X_cat = df[cat_cols]

# padroniza só numéricos
scaler = StandardScaler()
X_num_scaled = pd.DataFrame(scaler.fit_transform(X_num), columns=num_cols)

# matriz final p/ K-Means
X = pd.concat([X_num_scaled.reset_index(drop=True), X_cat.reset_index(drop=True)], axis=1).values
y = df[target].astype(int).values

print("Shape X:", X.shape)
print("Proporção 'is_fit'=1:", y.mean())
print("Observação: K-Means usa APENAS X; y é para avaliar depois.")

Treinamento do Modelo