Clustering de Dados de Custo de Seguros

Descrição do Projeto

Este projeto aplica técnicas de clusterização para identificar padrões nos custos de seguros de saúde com base em dados demográficos e comportamentais. Utilizando o algoritmo K-Prototypes, conseguimos agrupar indivíduos levando em consideração variáveis numéricas e categóricas.

Objetivo

Identificar grupos homogêneos de indivíduos para:

• Entender os principais fatores que influenciam o custo do seguro.
• Auxiliar na criação de políticas personalizadas de seguros.
• Gerar insights para otimizar a precificação dos planos de saúde.

Dados

O dataset utilizado contém informações demográficas, comportamentais e financeiras relacionadas a indivíduos e seus custos de seguros de saúde. As colunas principais são:

• idade: Idade do indivíduo.
• sexo: Gênero (male ou female).
• imc: Índice de Massa Corporal.
• quantidade_filhos: Número de filhos dependentes.
• fumante: Indica se é fumante (yes ou no).
• regiao: Região geográfica (northwest, southwest, southeast, northeast).
• custos_seguro: Custo do seguro de saúde.

Metodologia

O projeto seguiu as etapas abaixo:

1. Exploração e Limpeza de Dados

• Análise exploratória dos dados para identificar distribuições, outliers e correlações.
• Tratamento de valores faltantes e transformações necessárias.

2. Pré-processamento

• Codificação de variáveis categóricas para uso no modelo K-Prototypes.

3. Clusterização

• Implementação do algoritmo K-Prototypes para lidar com dados mistos.
• Determinação do número ótimo de clusters.

4. Visualização e Interpretação

• Visualização dos clusters em gráficos 2D utilizando seaborn e plotly.
• Análise dos perfis de cada cluster.

Ferramentas e Tecnologias

• Linguagem: Python
• Bibliotecas Principais:
  • pandas, numpy: Manipulação e análise de dados.
  • matplotlib, seaborn, plotly: Visualizações.
  • kmodes.kprototypes: Algoritmo de clusterização para dados mistos.

Resultados

• Foram identificados grupos com características distintas baseados em idade, IMC, região, e hábitos de fumo.
• Os clusters mostraram-se úteis para explicar variações nos custos de seguros.

Abaixo está a visualização dos clusters identificados:

Como Reproduzir

1. Clone este repositório:

   git clone https://github.com/AurelioGuilherme/DNC_projetos.git

2. Instale as dependências listadas no arquivo requirements.txt:

   pip install -r requirements.txt

3. Execute o notebook Clustering_project.ipynb para reproduzir as análises e resultados.

Contribuições

Sugestões e melhorias são bem-vindas! Envie um pull request ou entre em contato através da aba de Issues.