Agrupamento de Estresse Acadêmico com K-Means

Exploração dos Dados

A base StressExp.csv contém 280 registros e 9 colunas.
As variáveis são relacionadas ao perfil acadêmico dos alunos, pressões percebidas, ambiente de estudo e hábitos.

• AcademicStage: Nível acadêmico do respondente.
• PeerPressure: Pressão dos colegas (escala 1–5).
• HomePressure: Pressão da família (escala 1–5).
• StudyEnv: Ambiente de estudo (Peaceful, Noisy, Disrupted).
• Strategy: Estratégias de enfrentamento.
• BadHabits: Maus hábitos (Sim/Não).
• AcademicComp: Competição acadêmica (escala 1–5).
• Stress: Nível de estresse (1–5). Usado apenas como validação externa.

Pré-processamento

• A coluna Timestamp foi removida por não agregar informação.
• A variável StudyEnv apresentava 1 valor nulo, que foi preenchido com a moda (Peaceful).
• Variáveis categóricas (AcademicStage, StudyEnv, Strategy, BadHabits) foram convertidas em valores numéricos via Label Encoding.
• A variável Stress foi removida das features para o K-Means, sendo utilizada apenas na avaliação posterior.
• As features numéricas foram padronizadas com StandardScaler para garantir que todas tenham a mesma escala.

Clustering K-Means

O modelo K-Means foi configurado com:
- k = 5 clusters (escolhido por corresponder à escala de estresse 1–5).
- Inicialização: k-means++.
- Máximo de 100 iterações, random_state=42, n_init=10.

Resultados do Treinamento

• Inércia (WCSS): 1218.72
• Silhouette Score: 0.19 → Indica que os clusters estão pouco separados e há sobreposição entre grupos.

Visualização (PCA 2D)

Os dados foram reduzidos para 2 dimensões com PCA apenas para visualização:

import numpy as np
import matplotlib.pyplot as plt
from io import StringIO
from sklearn.preprocessing import LabelEncoder
from sklearn.cluster import KMeans
import pandas as pd


plt.figure(figsize=(12, 10))

# Preprocess the data
def preprocess(df: pd.DataFrame) -> pd.DataFrame:
    # remocao da coluna Timestamp
    df = df.drop(columns=['Timestamp'])

    # Tratamento de missing values
    ## 'Study Environment' tem 1 valor ausente -> preenchid com a moda (valor mais frequente)
    df['StudyEnv'].fillna(df['StudyEnv'].mode()[0], inplace=True)

    #conversao de variaveis categoricas
    label_encoder = LabelEncoder()
    df['AcademicStage'] = label_encoder.fit_transform(df['AcademicStage'])
    df['StudyEnv'] = label_encoder.fit_transform(df['StudyEnv'])
    df['Strategy'] = label_encoder.fit_transform(df['Strategy'])
    df['BadHabits'] = label_encoder.fit_transform(df['BadHabits'])

    # Selecao de features
    features = [
        'AcademicStage',                       
        'PeerPressure',                       
        'HomePressure',    
        'StudyEnv',                            
        'Strategy',                      
        'BadHabits',
        'AcademicComp' 
    ]

    return df[features]

# Carregar base
df = pd.read_csv('https://raw.githubusercontent.com/tigasparzin/Machine-Learning/refs/heads/main/data/StressExp.csv')


X = preprocess(df)

#run Kmeans
kmeans = KMeans(n_clusters=5, init='k-means++', max_iter=100, random_state=42)
labels = kmeans.fit_predict(X)

#Plot
plt.scatter(X.iloc[:, 0], X.iloc[:, 1], c=labels, cmap='viridis', s=50)
cent = kmeans.cluster_centers_
plt.scatter(cent[:, 0], cent[:, 1], c='red', marker='*', s=200, label='Centroids')



plt.title('K-Means Clustering Results')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()

# # Print centroids and inertia
# print("Final centroids:", kmeans.cluster_centers_)
# print("Inertia (WCSS):", kmeans.inertia_)

# # Display the plot
buffer = StringIO()
plt.savefig(buffer, format="svg", transparent=True)
print(buffer.getvalue())

Avaliação dos Clusters

A variável Stress foi usada para verificar como os clusters se alinham com os níveis reais de estresse.

Tabela cruzada (Stress x Cluster):

Observa-se que os clusters não correspondem diretamente aos níveis de estresse, com forte sobreposição entre as classes.

Conclusão

• O K-Means não conseguiu separar claramente os grupos de alunos de acordo com o nível de estresse.
• O Silhouette Score baixo (0.19) confirma que os clusters são pouco distintos.
• Cada cluster mistura diferentes valores de estresse, mostrando que o algoritmo está agrupando mais por perfil geral (estágio acadêmico, hábitos, ambiente) do que pelo nível de estresse em si.
• A análise é válida para identificar padrões de perfis semelhantes, mas não substitui modelos supervisionados como o KNN.

Recomendações

• Testar diferentes valores de k (método do cotovelo, silhouette).
• Normalizar e/ou reduzir dimensionalidade antes do clustering (ex.: PCA completo).
• Usar Stress apenas como validação externa, não como feature no clustering.
• Considerar outras técnicas de clusterização (ex.: DBSCAN, Agglomerative Clustering) para comparação.