Projeto IoT - Redução de Dimensionalidade e Análises

Este repositório contém os exercícios relacionados à disciplina de IoT, incluindo análise e redução de dimensionalidade utilizando PCA.

Instruções para Clonar o Repositório

Para obter uma cópia local do projeto, utilize o comando abaixo:

git clone https://github.com/codecrazes/CP1_IOT.git

Integrantes do Projeto

• Caroline Assis Silva (RM557596)
• Enzo de Moura Silva (RM556532)
• Luis Henrique Gomes Cardoso (RM558883)

---

Bibliotecas Necessárias

Para executar os exercícios, você precisará instalar as seguintes bibliotecas Python:

pip install pandas numpy matplotlib seaborn scikit-learn statsmodels

Bibliotecas utilizadas nos exercícios

• pandas – manipulação de dados
• numpy – operações numéricas
• matplotlib.pyplot – visualização de dados
• seaborn – visualização estatística
• sklearn.preprocessing.MinMaxScaler – normalização de dados
• sklearn.preprocessing.StandardScaler – padronização de dados
• sklearn.cluster.KMeans – clustering
• sklearn.decomposition.PCA – redução de dimensionalidade
• sklearn.linear_model.LinearRegression – regressão linear
• sklearn.linear_model.LogisticRegression – regressão logística
• sklearn.ensemble.RandomForestRegressor / RandomForestClassifier – modelos de Random Forest
• sklearn.preprocessing.PolynomialFeatures – regressão polinomial
• sklearn.model_selection.train_test_split – divisão de dados em treino e teste
• sklearn.metrics – métricas como MSE, R², acurácia, precisão, recall, F1, ROC AUC, matriz de confusão
• statsmodels.tsa.seasonal.seasonal_decompose – decomposição de séries temporais
• statsmodels.graphics.tsaplots.plot_acf – autocorrelação
• pandas.plotting.autocorrelation_plot – plot de autocorrelação rápida

---

Instruções para os Datasets

Os exercícios utilizam datasets que não estão incluídos no repositório devido ao tamanho. Você deve baixar os arquivos e colocá-los na pasta DataSet/:

• Dataset 1 (df1): Individual Household Electric Power Consumption
• Dataset 2 (df2): Appliances Energy Prediction

⚠️ Importante: Altere os caminhos nos exercícios de acordo com a localização dos arquivos baixados.

• O parâmetro caminho_arquivo é utilizado no exercício 1.
• O parâmetro caminho_arquivo_2 é utilizado no exercício 26.

---

Projeto Realizado no Orange

Para este exercício, utilizamos o software Orange para realizar análise de clustering e visualização de dados. O dataset utilizado foi o Individual Household Electric Power Consumption, que contém informações detalhadas sobre o consumo elétrico de uma residência.

A análise incluiu:

• Amostragem de 1% do dataset para análise exploratória.
• Observação da distribuição de consumo.
• Verificação de correlação entre variáveis como Voltage e Global_intensity.
• Aplicação de k-Means para identificar padrões de consumo doméstico.

---

Respostas dos Exercícios

1. 2075259
2. Sim, a distribuição da amostra de 1% é semelhante à da base completa, concentrada em valores baixos com poucos registros de alto consumo.
3. O consumo é concentrado em valores baixos, com poucos registros de alto consumo.
4. Não existe correlação visível clara entre Voltage e Global_intensity; os pontos se concentram em baixa intensidade, enquanto a tensão permanece estável.
5. Sim, cada cluster representa um padrão distinto de consumo doméstico — desde momentos de baixo consumo, passando por uso específico de um ambiente/aparelho, até picos de consumo mais altos.