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.