Análise de Dados Olímpicos e Previsão de Medalhas com Machine Learning

📖 Visão Geral do Projeto

Este projeto realiza uma análise de dados completa do dataset "120 Years of Olympic History" do Kaggle. O objetivo é extrair insights sobre a performance de atletas e países ao longo da história dos Jogos Olímpicos e, ao final, construir um modelo de Machine Learning capaz de prever a probabilidade de um atleta ganhar uma medalha.

A análise foi desenvolvida de ponta a ponta, desde a exploração e visualização dos dados até o treinamento, avaliação e interpretação de modelos preditivos.

📂 Estrutura de Arquivos

O projeto está organizado de forma modular para separar as etapas de análise, preparação e modelagem.

/
├── data/
|   └── athlete_events.zip
├── scripts-python/
|    ├── analysis_olympic_athlete.py
|    ├── ml_data_preparation.py
|    └── ml_training.py
├── notebooks/
|   └── analise_olimpica.ipynb
├── images/
|   ├── evolucao_altura_natacao_vs_ginastica.png
|   ├── evolucao_peso_natacao_vs_ginastica.png
|   ├── top_15_paises_medalhas_olimpicas.png
|   ├── heatmap_paises.png
|   ├── analise_brasil_esportes.png
|   └── feature_importance.png
├── requirements.txt
└── README.md

📊 Dataset

O projeto utiliza o dataset 120 years of Olympic History (athletes and results) do Kaggle. Ele contém mais de 270.000 registros de participações de atletas em eventos olímpicos desde 1896.

🚀 Metodologia

O projeto foi dividido em três fases principais:

1. Análise Exploratória de Dados (EDA)

Nesta fase, buscamos entender os padrões e as histórias contidas nos dados. As principais análises foram:

• Evolução do Perfil Físico: Análise da altura e peso médio de atletas de Natação e Ginástica, mostrando a especialização física ao longo do tempo.
• Potências vs. Especialistas: Criação de um heatmap para identificar países com performance diversificada (EUA, URS) e países especialistas em modalidades específicas (Itália na Esgrima, Grã-Bretanha no Remo).
• Deep Dive no Brasil: Uma análise focada na performance olímpica do Brasil, identificando seus esportes mais vitoriosos e a evolução do número de medalhas por edição.

2. Modelagem Preditiva (Machine Learning)

O objetivo desta fase foi construir um modelo para prever se um atleta ganharia uma medalha (Medal_Won = 1 ou 0).

• Pré-processamento: Os dados foram limpos, valores faltantes foram tratados com a imputação pela mediana, e variáveis categóricas (Sex, NOC, Sport) foram transformadas em numéricas via One-Hot Encoding.
• Modelo Baseline (Regressão Logística): Um primeiro modelo foi treinado para estabelecer uma performance base. A análise do classification_report revelou um recall de apenas 8% para a classe de medalhistas, evidenciando o problema dos dados desbalanceados.
• Modelo Avançado (Random Forest): Um segundo modelo, RandomForestClassifier, foi treinado. O resultado foi um salto de performance massivo, aumentando o recall para 38% (uma melhoria de mais de 4x), com uma precisão de 55%.

3. Interpretação do Modelo

Com um modelo de alta performance, a etapa final foi "abrir a caixa-preta" para entender suas decisões.

• A análise de feature_importances_ do Random Forest revelou que os preditores mais fortes para o sucesso olímpico são os atributos físicos do atleta (Idade, Peso, Altura), seguidos pela nacionalidade de potências históricas (EUA, URS).

🛠️ Tecnologias Utilizadas

• Linguagem: Python 3
• Bibliotecas: Pandas, Matplotlib, Seaborn, Scikit-learn
• Ambiente: Jupyter Notebook

⚙️ Como Executar o Projeto

1. Clone o repositório:

   git clone https://github.com/palomacdev/olympic-analysis-ml

2. Navegue até a pasta do projeto:

   cd olympic-analysis-ml

3. Descompacte o dataset dentro da pasta data/.

4. Instale as dependências:

   pip install -r requirements.txt

5. Execute a análise:

   Opção A (Recomendado): Execução via Jupyter Notebook Abra o notebook analise_olimpica.ipynb na pasta notebooks/. Ele serve como o relatório principal, guiando por toda a análise e exibindo os resultados de forma organizada.

   Opção B: Execução Sequencial dos Scripts Se preferir, você pode executar os scripts Python em sequência a partir do terminal (estando na pasta raiz do projeto):

   # 1. Executar a análise exploratória
   python scripts-python/analysis_olympic_athlete.py
   
   # 2. Preparar os dados para o Machine Learning
   python scripts-python/ml_data_preparation.py
   
   # 3. Treinar e avaliar os modelos
   python scripts-python/ml_training.py

🔮 Possíveis Melhorias Futuras

• Otimização de Hiperparâmetros: Utilizar GridSearchCV ou RandomizedSearchCV para encontrar a melhor configuração para o Random Forest.
• Experimentar Outros Modelos: Testar algoritmos de Gradient Boosting como XGBoost ou LightGBM.
• Engenharia de Features Avançada: Criar novas variáveis para enriquecer o modelo.