Skip to content

03. Resultados e Interpretação

Avaliação do KNN

import pandas as pd
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, classification_report

y_test = pd.read_csv('knn_y_test.csv').values.ravel()
y_pred = pd.read_csv('knn_y_pred.csv').values.ravel()

print(f'Acurácia: {accuracy_score(y_test, y_pred):.2f}')
print(f'Precisão: {precision_score(y_test, y_pred):.2f}')
print(f'Recall: {recall_score(y_test, y_pred):.2f}')
print(f'F1-Score: {f1_score(y_test, y_pred):.2f}')
print('Matriz de Confusão:')
print(confusion_matrix(y_test, y_pred))
print('Relatório de Classificação:')
print(classification_report(y_test, y_pred))

Acurácia: 0.62
Precisão: 0.68
Recall: 0.79
F1-Score: 0.73
Matriz de Confusão:
[[ 31  74]
[ 40 155]]
Relatório de Classificação:
           precision    recall  f1-score   support
        0       0.44      0.30      0.35       105
        1       0.68      0.79      0.73       195
 accuracy                           0.62       300
macro avg       0.56      0.55      0.54       300
weighted avg    0.59      0.62      0.60       300

Avaliação do K-Means

import pandas as pd
from sklearn.metrics import silhouette_score

X = pd.read_csv('kmeans_X.csv').values
clusters = pd.read_csv('kmeans_clusters.csv').values.ravel()

print(f'Silhouette Score: {silhouette_score(X, clusters):.2f}')

Silhouette Score: 0.47

Interpretação

A partir dessas métricas, é possível identificar se o modelo está adequado ao problema, se há necessidade de ajustes ou se outro algoritmo pode ser mais indicado. Sempre analise os resultados considerando o contexto dos dados e o objetivo do projeto.