📊 Wrapper Methods for Feature Selection

Análise de seleção de atributos utilizando wrapper methods em um conjunto de dados sobre hábitos alimentares e obesidade. O objetivo é identificar as melhores variáveis para prever se um indivíduo é obeso com base em suas respostas a um questionário.

🔍 Sobre o Projeto

O conjunto de dados utilizado foi obtido do UCI Machine Learning Repository. Todas as variáveis categóricas foram convertidas para valores numéricos para facilitar a análise.

Inicialmente, um modelo de Regressão Logística é ajustado com todas as features disponíveis. Em seguida, três diferentes wrapper methods são aplicados para selecionar um subconjunto otimizado de variáveis:

• Sequential Forward Selection (SFS)
• Sequential Backward Floating Selection (SBFS)
• Recursive Feature Elimination (RFE)

A performance do modelo é avaliada em cada cenário, comparando a acurácia ao utilizar todas as features e os subconjuntos reduzidos.

📂 Estrutura do Repositório

• wrapper_method_solution.ipynb → Notebook principal com código e análise detalhada.
• data/ → Diretório onde os dados podem ser armazenados (caso aplicável).
• README.md → Este arquivo com informações sobre o projeto.

🛠 Tecnologias Utilizadas

• Python
• Pandas
• Scikit-Learn
• MLxtend
• Matplotlib

🚀 Como Usar

1. Clone este repositório:

   git clone https://github.com/seu-usuario/seu-repositorio.git

2. Instale as dependências:

   pip install -r requirements.txt

3. Abra o notebook e execute os passos da análise:

   jupyter notebook wrapper_method_solution.ipynb

📈 Resultados

Os resultados obtidos mostram como diferentes métodos de seleção de features impactam a performance do modelo. A comparação entre os métodos ajuda a entender quais variáveis são mais relevantes para prever obesidade e quais podem ser descartadas sem comprometer a acurácia.

📚 Referências

• UCI Machine Learning Repository - Obesity Dataset
• Documentação do Scikit-Learn
• MLxtend Feature Selection