11. Relatório Final

Este projeto aplicou o algoritmo K-means para agrupar estudantes de acordo com seu desempenho, seguindo o mesmo padrão dos projetos anteriores. As etapas incluíram análise exploratória, visualização das distribuições das notas, análise de correlação, comparação entre grupos, pré-processamento, treinamento e avaliação do modelo de clustering.

Principais Resultados:

• O K-means permitiu identificar grupos de estudantes com padrões de desempenho semelhantes.

• O silhouette score foi utilizado para avaliar a qualidade dos clusters.

• A visualização dos clusters mostrou separação razoável entre os grupos.

Métricas Finais:

Interpretação:

• O K-means conseguiu separar os estudantes em grupos, mas a separação não foi perfeita (silhouette score moderado).

• Os clusters podem refletir diferenças de desempenho, mas também podem ser influenciados por correlações entre as notas.

Observações:

• O K-means é sensível à escolha de K e à escala das variáveis, por isso o pré-processamento foi fundamental.

• Recomenda-se testar outros valores de K, diferentes inicializações e outros algoritmos de clustering para buscar melhorias.

• A comparação com métodos supervisionados (como KNN) pode ajudar a entender as limitações e vantagens do agrupamento não supervisionado.

O uso do K-means neste contexto educacional demonstra como técnicas de clustering podem apoiar a identificação de perfis de estudantes, subsidiar intervenções pedagógicas e orientar políticas de ensino. Apesar das limitações, como a sensibilidade à escala e à escolha de K, o método oferece uma base sólida para análises exploratórias e segmentação de dados. Futuras extensões podem incluir a experimentação com outros algoritmos de clustering, análise de variáveis adicionais e integração com abordagens supervisionadas para enriquecer a compreensão dos padrões presentes nos dados.