- gerações até convergir
- 12
- acurácia no teste
- 75,97%
- validação cruzada
- 78,81%
O problema
O modelo da Fase 1 foi ajustado à mão. A Fase 2 pedia uma técnica de otimização inspirada na natureza para encontrar hiperparâmetros melhores de forma sistemática.
O que fizemos
- Algoritmo genético do zero: população de configurações do Random Forest, seleção, cruzamento e mutação, sem biblioteca pronta.
- Fitness que pune instabilidade: média da validação cruzada menos 0,1 vezes o desvio padrão. Um modelo bom só em algumas dobras perde pontos.
- Painel Streamlit que acompanha a evolução das gerações ao vivo.
- Explicação por LLM: um modelo da OpenAI transforma a previsão e os fatores de risco num texto em linguagem clínica.
Resultado
O melhor experimento convergiu em 12 gerações, com 75,97% de acurácia no teste e 78,81% na validação cruzada, contra 75,32% e 78,67% do modelo da Fase 1. O ganho é pequeno, e o relatório diz isso com todas as letras: a base é pequena e o teto do Random Forest nela está perto. O que mudou de verdade foi a estabilidade entre as dobras.