Este projeto aplica o algoritmo de classificação Random Forest para prever o diagnóstico de câncer de mama, distinguindo entre tumores benignos e malignos. O objetivo principal é demonstrar técnicas de pré-processamento, ajuste de hiperparâmetros e avaliação de modelos utilizando métricas adequadas de performance.
- Aplicar técnicas de Machine Learning supervisionado para diagnóstico médico.
- Realizar pré-processamento de dados com tratamento de outliers e normalização.
- Comparar diferentes configurações de hiperparâmetros no modelo Random Forest.
- Avaliar o desempenho do modelo utilizando métricas como Acurácia, Precision, Recall, F1-Score e ROC-AUC.
- Validar a robustez do modelo com validação cruzada.
O dataset utilizado é fornecido pela biblioteca sklearn.datasets, contendo informações sobre características morfológicas de células tumorais, extraídas de imagens digitalizadas de exames.
- Tratamento de Outliers: realizado com base no Z-Score.
- Normalização: aplicada com MinMaxScaler para uniformizar a escala dos atributos.
- Divisão de Dados: os dados foram divididos em 70% para treino e 30% para teste.
Sem tratamento de Outliers
Com tratamento de Outliers
O algoritmo Random Forest foi escolhido por sua robustez e capacidade de generalização. Foram testadas três configurações diferentes de hiperparâmetros:
| Modelo | Árvores (n_estimators) |
Profundidade (max_depth) |
Min. Amostras por Folha (min_samples_leaf) |
|---|---|---|---|
| Modelo 1 | 100 | 10 | 2 |
| Modelo 2 | 120 | 12 | 3 |
| Modelo 3 | 75 | 8 | 2 |
As métricas utilizadas para avaliação foram:
- Acurácia: proporção de acertos totais.
- Precision: taxa de acerto entre as previsões positivas.
- Recall (Sensibilidade): taxa de acerto sobre todos os positivos reais.
- F1-Score: média harmônica entre precision e recall.
- ROC-AUC: área sob a curva ROC, que mostra a capacidade do modelo em separar classes.
Gráfico de comparação das métricas Acurácia, Recall e F1-Score:
A Curva ROC foi gerada para todos os modelos, permitindo visualizar o equilíbrio entre a taxa de verdadeiros positivos e a taxa de falsos positivos. O valor de AUC (Área sob a curva) foi superior a 0.99 em todas as configurações, demonstrando excelente desempenho na separação das classes.
A técnica de validação cruzada (cross_val_score) foi aplicada com 5 folds utilizando a métrica roc_auc. Os resultados mostraram consistência na performance do modelo com uma AUC média de 0.9915, reforçando a confiabilidade do Random Forest mesmo com diferentes divisões de dados.
O projeto demonstrou que o algoritmo Random Forest é altamente eficaz na tarefa de classificação binária aplicada ao diagnóstico de câncer de mama. Mesmo com ajustes simples de hiperparâmetros, o modelo apresentou acurácias acima de 95% e um excelente desempenho segundo a métrica ROC-AUC. A normalização dos dados, o tratamento de outliers e a validação cruzada foram fatores determinantes para o sucesso do modelo, garantindo robustez e capacidade de generalização.