Predição de Aptidão para Maratona

1. Contexto do Projeto

Este projeto tem como objetivo prever se um atleta será capaz de completar uma maratona dentro de limites de tempo de referência usando dados históricos de corridas.
O target foi definido de acordo com o tempo previsto pelo modelo de Riegel, considerando:

• Homens: ≤ 3h30
• Mulheres: ≤ 4h00

Observação: Os tempos de 3h30 para homens e 4h00 para mulheres foram retirados do tempo de qualificação da Maratona de Boston, utilizada como referência de aptidão.

O foco é classificar cada atleta como apto (1) ou não apto (0).

---

2. Metodologia

2.1 Preparação dos Dados

• Dados importados de arquivos CSV contendo informações de corridas individuais:
  • Distância percorrida
  • Tempo de conclusão
  • Elevação
  • Frequência cardíaca média
  • Data da corrida
• Foram calculadas variáveis adicionais:
  • dist_km: distância em km
  • dur_h: duração em horas
  • pace_min_km: pace médio por km
  • speed_kmh: velocidade média
• Agregações por atleta:
  • Estatísticas descritivas (média, mediana, máximo, desvio padrão) de distância, pace, velocidade, frequência cardíaca e elevação
  • Total de quilômetros corridos
  • Volume semanal médio (weekly_km)

2.2 Cálculo do Target

O tempo previsto de maratona (pred_marathon_h) foi calculado a partir do melhor desempenho em 10k usando a fórmula de Riegel:

[ t_2 = t_1 \times \left(\frac{d_2}{d_1}\right)^r ]

• t1 = tempo da prova conhecida (em horas)
• d1 = distância da prova conhecida (em km)
• t2 = tempo previsto para a distância alvo (maratona, 42,195 km)
• d2 = distância alvo (maratona, 42,195 km)
• r = expoente de Riegel, geralmente 1.06

A fórmula assume que a performance diminui proporcionalmente à distância, considerando resistência e fadiga.

• Target binário:

  • 1 = atleta apto (predição ≤ tempo referência)
  • 0 = atleta não apto

• Classificação pelo Riegel (toda a base):

  • Número de atletas aptos segundo a fórmula: 80
  • Número de atletas não aptos: 36

• Classificação pelos modelos treinados (conjunto de teste):

  • RandomForest:
    • Aptos: 17
    • Não aptos: 7
  • SVM:
    • Aptos: 16
    • Não aptos: 8

Observação: O total de atletas nos modelos é menor que na base completa porque os números refletem apenas o conjunto de teste (20% da base) utilizado para avaliação.

---

3. Estrutura do Pipeline

1. Leitura dos Dados – CSV de corridas individuais.
2. Processamento dos Dados – cálculo de pace, velocidade e agregação por atleta.
3. Separação de Treino e Teste – split estratificado de 80/20.
4. Seleção de Variáveis – SelectKBest para selecionar até 12 features.
5. Treinamento de Modelos – RandomForest e SVM.
6. Importância de Variáveis – análise para RandomForest.
7. Avaliação de Resultados – Precision, Recall, F1-Score, AUC, Matrizes de Confusão e gráficos.

---

4. Features Utilizadas

• gender_M – indicador de sexo masculino
• n_runs, total_km, avg_km, std_km, max_km
• med_pace_min_km, avg_pace_min_km, std_pace_min_km
• avg_speed_kmh, std_speed_kmh
• avg_hr, std_hr
• elev_gain_total, elev_gain_avg, elev_gain_std
• weekly_km

---

5. Modelos Utilizados

• Random Forest
  • 400 árvores, Random state 42, N_jobs=-1
• SVM Linear
  • Kernel linear, probabilidade habilitada, Random state 42

---

6. Comparação de Resultados

6.1 Métricas de Avaliação

Modelo	Precision	Recall	F1-Score	AUC
RandomForest	0.941	0.941	0.941	0.97
SVM	0.938	0.882	0.909	0.95

6.2 Curvas e Gráficos

• Curva ROC dos modelos:
  
• Precision e Recall:
  

---

7. Saídas do Pipeline

• Modelos treinados: model_rf.pkl, model_svm.pkl
• Métricas comparativas: metrics_comparison_rf_svm.csv
• Matrizes de Confusão: confusion_matrices_rf_svm.csv
• Gráficos: roc_curve.png, precision_recall.png
• Tabela de comparação de Precision e Recall: precision_recall_comparison.csv

Todos os arquivos são exportados para a pasta de saída configurada (OUTPUT_DIR).

---

8. Como Executar

1. Instalar dependências:

pip install scikit-learn matplotlib joblib pandas