Esteira de Aprendizado de Maquina - Wine Quality

Pipeline completo de Machine Learning para classificacao da qualidade de vinhos (tintos e brancos) com base em propriedades fisico-quimicas. Utiliza o dataset Wine Quality do UCI Machine Learning Repository.

O projeto inclui um notebook Jupyter com toda a esteira e uma interface web interativa (Streamlit) com chat em linguagem natural para explorar os dados.

---

Dataset

Informacao	Valor
Fonte	UCI ML Repository - Wine Quality
Amostras	6.497 (1.599 tintos + 4.898 brancos)
Features	11 propriedades fisico-quimicas + tipo de vinho
Target	Qualidade do vinho (nota 0-10, agrupada em 3 classes)
Valores nulos	Nenhum
Autores	P. Cortez, A. Cerdeira, F. Almeida, T. Matos, J. Reis (2009)

Variaveis

Feature	Descricao	Media	Min	Max
fixed acidity	Acidez fixa (g/L)	7.22	3.80	15.90
volatile acidity	Acidez volatil (g/L)	0.34	0.08	1.58
citric acid	Acido citrico (g/L)	0.32	0.00	1.66
residual sugar	Acucar residual (g/L)	5.44	0.60	65.80
chlorides	Cloretos (g/L)	0.06	0.01	0.61
free sulfur dioxide	SO2 livre (mg/L)	30.53	1.00	289.00
total sulfur dioxide	SO2 total (mg/L)	115.74	6.00	440.00
density	Densidade (g/cm3)	0.995	0.987	1.039
pH	pH	3.22	2.72	4.01
sulphates	Sulfatos (g/L)	0.53	0.22	2.00
alcohol	Teor alcoolico (%)	10.49	8.00	14.90
quality	Nota de qualidade	5.82	3	9

---

Etapas da Esteira

1. Carregamento e Exploracao

• Combinacao dos datasets de vinho tinto e branco em um unico DataFrame
• Adicao da coluna wine_type (0=tinto, 1=branco)
• Verificacao de tipos, nulos e distribuicao

2. Estatisticas Descritivas

• Medidas de tendencia central (media, mediana), dispersao (desvio padrao, IQR) e forma (assimetria, curtose)
• Matriz de correlacao entre todas as variaveis
• Boxplots de todas as features

3. Transformacao em Colunas

• Criacao de classes: A qualidade original (3-9) foi agrupada em 3 classes:
  • Baixa (3-5): 2.384 amostras (36,7%)
  • Media (6): 2.836 amostras (43,7%)
  • Alta (7-9): 1.277 amostras (19,6%)
• Padronizacao: StandardScaler aplicado a todas as features numericas (media=0, desvio=1)

4. Transformacao em Linhas

• Duplicatas removidas: 1.177 linhas (18,1% do total)
• Outliers removidos: 271 linhas via metodo IQR com fator 3.0
• Total apos limpeza: 5.049 amostras (de 6.497 originais)

5. Divisao dos Dados

Divisao estratificada para manter a proporcao das classes em cada subconjunto:

Conjunto	Amostras	Percentual
Treinamento	3.029	60%
Validacao	1.010	20%
Teste	1.010	20%

6. Treinamento do Modelo

• Algoritmo: Random Forest Classifier
• Hiperparametros: 200 arvores, profundidade maxima 15, min_samples_split=5, min_samples_leaf=2
• Motivo da escolha: Robusto para classificacao multi-classe, baixo risco de overfitting, permite interpretacao via importancia de features

7. Resultados

Metrica	Validacao	Teste
Acuracia	60,79%	62,38%

Matriz de Confusao (Teste):

Real \ Predito	Baixa	Media	Alta
Baixa (3-5)	241	125	4
Media (6)	89	307	47
Alta (7-9)	9	106	82

Relatorio por Classe (Teste):

Classe	Precision	Recall	F1-Score
Baixa (3-5)	0.71	0.65	0.68
Media (6)	0.57	0.69	0.63
Alta (7-9)	0.62	0.42	0.50

8. Predicao

• Predicao com amostra real do conjunto de teste (com probabilidades por classe)
• Predicao com vinho hipotetico simulado (novos dados passando pelo mesmo pipeline de transformacao)

---

Principais Achados

• Alcohol e o fator mais importante para determinar a qualidade do vinho, seguido por volatile acidity e density
• Vinhos de alta qualidade tendem a ter maior teor alcoolico e menor acidez volatil
• A classe Media (6) e a mais dificil de classificar corretamente, pois compartilha caracteristicas com Baixa e Alta
• Vinhos brancos dominam o dataset (75,4%), mas a distribuicao de qualidade e semelhante entre os tipos
• O desbalanceamento das classes (Alta tem apenas 19,6%) impacta o recall da classe Alta (42%)

---

Como Reproduzir

Pre-requisitos

• Python 3.10+
• pip

Passo a passo

1. Clone o repositorio:

   git clone <URL_DO_REPOSITORIO>
   cd trabalho-IA

2. Instale as dependencias:

   pip install pandas numpy matplotlib seaborn scikit-learn jupyter streamlit plotly

3. Opcao A — Notebook Jupyter (esteira completa):

   jupyter notebook esteira_ml_wine_quality.ipynb

   Execute todas as celulas sequencialmente: Menu > Cell > Run All

4. Opcao B — Interface Web (exploracao interativa):

   streamlit run app.py

   Acesse http://localhost:8501 no navegador

---

Estrutura do Repositorio

trabalho-IA/
├── README.md                           # Documentacao do projeto
├── esteira_ml_wine_quality.ipynb       # Notebook com a esteira completa
├── app.py                              # Interface web Streamlit
├── winequality-red.csv                 # Dataset vinho tinto (1.599 amostras)
├── winequality-white.csv               # Dataset vinho branco (4.898 amostras)
└── winequality.names                   # Descricao original do dataset

---

Tecnologias

• Python 3.12 — Linguagem principal
• pandas / numpy — Manipulacao e analise de dados
• scikit-learn — Machine Learning (Random Forest, metricas, preprocessing)
• matplotlib / seaborn — Visualizacoes no notebook
• Streamlit / Plotly — Interface web interativa

Referencia

P. Cortez, A. Cerdeira, F. Almeida, T. Matos and J. Reis. Modeling wine preferences by data mining from physicochemical properties. Decision Support Systems, Elsevier, 47(4):547-553, 2009.