Random Forest

Introdução

A Random Forest é um método de aprendizado supervisionado baseado em conjunto de árvores de decisão. A ideia central é treinar várias árvores em amostras bootstrap do conjunto de treino, introduzindo aleatoriedade tanto nas amostras quanto na seleção de atributos em cada divisão. A predição final resulta do voto da maioria (classificação) ou da média (regressão). Essa estratégia reduz overfitting típico de árvores individuais, melhora a generalização e mantém boa interpretabilidade via importância de atributos. Além disso, por ser baseada em árvores, lida naturalmente com relações não lineares e interações entre variáveis e não exige padronização das features para funcionar — embora possamos manter o mesmo pipeline de pré-processamento para consistência com os outros modelos do projeto.

Exploração dos Dados

O Dataset

Para esse projeto foi utilizada o Dataset Fitness Classification Dataset. Essa Base de dados posuí 2.000 linhas e 11 colunas. A variável dependente que será usada como objeto de classificação é a is_fit, ela indica se a pessoa é fit (1) ou não fit (0).

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

Os dados foram divididos em treino (80%) e teste (20%) com o parâmetro random_state=42 para garantir reprodutibilidade e stratify=y para manter a proporção entre as classes is_fit.

Como a Random Forest é composta por árvores de decisão, não há necessidade de padronização das variáveis numéricas, porém a mesma estrutura de features foi mantida para comparação com os demais modelos.

Treinamento do Modelo

O modelo foi configurado com 300 árvores (n_estimators=300), seleção aleatória de atributos (max_features="sqrt") e profundidade ilimitada (max_depth=None), permitindo que cada árvore se adapte ao padrão dos dados de forma independente. O treinamento foi realizado sobre o conjunto de treino e avaliado com base na acurácia, balanced accuracy e matriz de confusão.

Avaliação do Modelo

A Random Forest apresentou desempenho consistente e maior estabilidade em comparação com modelos individuais de árvore ou com o KNN. A matriz de confusão mostrou uma redução significativa nos erros de classificação, e o valor de Balanced Accuracy indicou boa capacidade de generalização entre as classes.

A análise da importância das variáveis revelou que os fatores mais determinantes para o modelo são:

• activity_index
• nutrition_quality
• bmi
• heart_rate

Essas variáveis refletem, respectivamente, o nível de atividade física, a qualidade da alimentação e os indicadores fisiológicos de saúde.

Conclusão

O uso da Random Forest no dataset de fitness demonstrou excelente equilíbrio entre desempenho e interpretabilidade. O modelo foi capaz de identificar padrões consistentes que diferenciam indivíduos “fit” e “não fit”, destacando-se pela robustez e pela redução de sobreajuste em relação à árvore de decisão simples.

A análise confirma que hábitos e parâmetros fisiológicos — especialmente atividade física, nutrição e índice de massa corporal — são fatores-chave para a previsão da condição física. Como próximos passos, recomenda-se explorar a otimização de hiperparâmetros (max_depth, min_samples_leaf, n_estimators) e realizar validação cruzada para refinar ainda mais a performance do modelo.