Mineração de Dados
Deyze Rodrigues Lopes
2025-06-16
Introdução
Neste trabalho, aplicamos algoritmos de classificação supervisionada à base de dados Census, com o objetivo de prever a variável alvo a partir de atributos demográficos e socioeconômicos. Foram utilizados dois modelos amplamente empregados em problemas de classificação: o Naive Bayes, conhecido por sua simplicidade e eficiência em conjuntos de dados com muitas variáveis, e a Árvore de Decisão, valorizada por sua capacidade interpretativa.
A base foi dividida em 80% para treinamento e 20% para teste, a fim de avaliar o desempenho de ambos os modelos. Com isso, buscamos não apenas aplicar os conceitos teóricos aprendidos, mas também desenvolver uma análise comparativa entre os dois algoritmos em termos de acurácia e capacidade preditiva.
1. Carregar os dados
# Carregar pacotes
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(caret)## Carregando pacotes exigidos: lattice
##
## Anexando pacote: 'caret'
##
## O seguinte objeto é mascarado por 'package:purrr':
##
## liftlibrary(e1071) # Naive Bayes
library(rpart) # Árvore de Decisão
library(rpart.plot)
library(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2# Carregar os dados
dados <- read.csv("C:/Users/Windows 11 PRO/Downloads/census.csv")
# Visualizar
glimpse(dados)## Rows: 32,561
## Columns: 15
## $ age <int> 39, 50, 38, 53, 28, 37, 49, 52, 31, 42, 37, 30, 23, 32,…
## $ workclass <chr> " State-gov", " Self-emp-not-inc", " Private", " Privat…
## $ final.weight <int> 77516, 83311, 215646, 234721, 338409, 284582, 160187, 2…
## $ education <chr> " Bachelors", " Bachelors", " HS-grad", " 11th", " Bach…
## $ education.num <int> 13, 13, 9, 7, 13, 14, 5, 9, 14, 13, 10, 13, 13, 12, 11,…
## $ marital.status <chr> " Never-married", " Married-civ-spouse", " Divorced", "…
## $ occupation <chr> " Adm-clerical", " Exec-managerial", " Handlers-cleaner…
## $ relationship <chr> " Not-in-family", " Husband", " Not-in-family", " Husba…
## $ race <chr> " White", " White", " White", " Black", " Black", " Whi…
## $ sex <chr> " Male", " Male", " Male", " Male", " Female", " Female…
## $ capital.gain <int> 2174, 0, 0, 0, 0, 0, 0, 0, 14084, 5178, 0, 0, 0, 0, 0, …
## $ capital.loos <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ hour.per.week <int> 40, 13, 40, 40, 40, 40, 16, 45, 50, 40, 80, 40, 30, 50,…
## $ native.country <chr> " United-States", " United-States", " United-States", "…
## $ income <chr> " <=50K", " <=50K", " <=50K", " <=50K", " <=50K", " <=5…2. Pré-processamento
# Verificar e tratar NAs (se houver)
dados <- na.omit(dados)
# Transformar variável alvo em fator (supondo que a coluna alvo se chama 'income')
dados$income <- as.factor(dados$income)3 Análise Exploratória dos Dados (EDA)
# Gráfico de distribuição da variável alvo
ggplot(dados, aes(income)) +
geom_bar(fill = "steelblue") +
theme_minimal() +
labs(title = "Distribuição da variável alvo (income)")
# Idade por faixa de renda
ggplot(dados, aes(age, fill = income)) +
geom_histogram(bins = 30, position = "dodge") +
theme_minimal() +
labs(title = "Distribuição da idade por faixa de renda")
# Correlação entre variáveis numéricas
dados_num <- dados %>% select(where(is.numeric))
ggcorr(dados_num, label = TRUE, label_round = 2, label_size = 3)
4. Dividir em treino (80%) e teste (20%)
set.seed(123)
indice <- createDataPartition(dados$income, p = 0.8, list = FALSE)
treino <- dados[indice, ]
teste <- dados[-indice, ]5. Modelo Naive Bayes
modelo_nb <- naiveBayes(income ~ ., data = treino)
prev_nb <- predict(modelo_nb, newdata = teste)
conf_nb <- confusionMatrix(prev_nb, teste$income)
conf_nb## Confusion Matrix and Statistics
##
## Reference
## Prediction <=50K >50K
## <=50K 4590 801
## >50K 354 767
##
## Accuracy : 0.8226
## 95% CI : (0.8131, 0.8318)
## No Information Rate : 0.7592
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.4626
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Sensitivity : 0.9284
## Specificity : 0.4892
## Pos Pred Value : 0.8514
## Neg Pred Value : 0.6842
## Prevalence : 0.7592
## Detection Rate : 0.7049
## Detection Prevalence : 0.8279
## Balanced Accuracy : 0.7088
##
## 'Positive' Class : <=50K
## # Métricas adicionais - Naive Bayes
conf_nb$byClass[c("Precision", "Recall", "F1")]## Precision Recall F1
## 0.8514190 0.9283981 0.88824386. Modelo Árvore de Decisão
modelo_arvore <- rpart(income ~ ., data = treino, method = "class")
rpart.plot(modelo_arvore)
prev_arvore <- predict(modelo_arvore, newdata = teste, type = "class")
conf_arvore <- confusionMatrix(prev_arvore, teste$income)
conf_arvore## Confusion Matrix and Statistics
##
## Reference
## Prediction <=50K >50K
## <=50K 4675 767
## >50K 269 801
##
## Accuracy : 0.8409
## 95% CI : (0.8318, 0.8497)
## No Information Rate : 0.7592
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.5119
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Sensitivity : 0.9456
## Specificity : 0.5108
## Pos Pred Value : 0.8591
## Neg Pred Value : 0.7486
## Prevalence : 0.7592
## Detection Rate : 0.7179
## Detection Prevalence : 0.8357
## Balanced Accuracy : 0.7282
##
## 'Positive' Class : <=50K
## # Métricas adicionais - Árvore de Decisão
conf_arvore$byClass[c("Precision", "Recall", "F1")]## Precision Recall F1
## 0.8590592 0.9455906 0.90025037. Importância das Variáveis (Árvore)
modelo_arvore$variable.importance## relationship marital.status capital.gain education education.num
## 1953.26386 1922.60688 816.23568 756.60043 756.60043
## sex occupation age hour.per.week native.country
## 603.36249 540.46995 451.07188 255.69578 15.66416
## capital.loos
## 13.94754Conclusão
A partir da aplicação dos algoritmos de classificação Naive Bayes e Árvore de Decisão à base de dados Census, foi possível observar o comportamento de ambos os modelos em um contexto real de mineração de dados. O Naive Bayes demonstrou ser eficiente, especialmente pela sua simplicidade e velocidade de execução, enquanto a Árvore de Decisão se destacou pela interpretabilidade dos resultados, permitindo visualizar claramente os critérios de decisão.
Com a divisão dos dados em conjuntos de treinamento e teste, foi possível realizar uma avaliação justa do desempenho de cada modelo. A comparação por meio da matriz de confusão e das métricas de acurácia forneceu insights valiosos sobre a capacidade preditiva de cada abordagem.