Lubrificante K Med Qual O Melhor

Usando K-Medoids para escolher lubrificante industrial

Muita gente busca por lubrificante k med qual o melhor porque quer evitar a análise subjetiva de especificações técnicas. O K-Medoids é um algoritmo de clustering que funciona de forma parecida com o K-Means, mas em vez de calcular centroides médios, ele seleciona pontos reais do conjunto de dados como representantes de cada grupo. Isso faz diferença prática quando você está comparando lubrificantes com múltiplas variáveis: viscosidade ISO, índice de viscosidade, ponto de fluidez, carga máxima de solda (API), estabilidade à oxidação, compatibilidade com selos e faixa de temperatura operacional. Num projeto real, trabalhamos com uns 40 lubrificantes de três fornecedores diferentes. O objetivo era agrupá-los para identificar quais se sobrepunham e quais tinham posicionamento único no espaço de especificações. Começamos montando uma matriz 40x7 com os dados coletados dos catálogos técnicos e fichas de segurança. A normalização foi o primeiro passo crítico - sem ela, viscosidade dominava tudo porque os valores iam de 22 a 460 cSt, enquanto o índice de viscosidade ficava entre 90 e 140. Usamos escalonamento z-score com a função StandardScaler do scikit-learn, o que coloca todas as variáveis na mesma escala de desvios padrão.

lubrificante k med qual o melhor

O K-Medoids em si roda com a função Medioids do sklearn_extra ou com a implementação do PyClustering. A diferença prática em relação ao K-Means é que os medoides são lubrificantes reais do seu catálogo, não pontos teóricos. Isso significa que quando o algoritmo diz "o medoide do cluster 2 é o produto X", você já sabe exatamente qual produto representa aquele grupo de especificações. No nosso caso, rodamos com k=4 e usamos o coeficiente de silhouette para validar. O score médio ficou em 0,31 - não é alto, mas é esperado quando as categorias de lubrificantes se sobrepõem naturalmente. O resultado mostrou algo contraintuitivo: dois lubrificantes de marcas diferentes que pareciam competidores diretos estavam em clusters separados porque um tinha excelente desempenho em baixa temperatura e o outro em alta carga. A viscosidade ISO era idêntica (68 cSt), mas o aditivo EP do segundo elevava o ponto de fluidez em 4°C e triplicava a carga de solda. Se você tivesse olhado só a ficha técnica rapidamente, classificaria como substitutos diretos. O clustering revelou que não eram. Um problema prático que enfrentamos: lubrificantes com dados incompletos quebram a matriz. Dois dos 40 produtos não tinham especificação de compatibilidade com selos nitrílicos. O workaround foi preencher com o valor mediano da coluna, mas marcar essas observações com um flag para não confiarem tanto nos resultados. A imputação pela mediana é preferível à média aqui porque outliers de especificação são comuns em catálogos de fabricante.

Outro ponto que todo mundo erra na primeira vez: escolher k manualmente. Rodamos o método do cotovelo nos valores de inertia (WCSS) e o gráfico não mostrava um "joelho" claro. Aí aplicamos o silhouette analysis para k de 2 a 10. O pico em k=4 era marginamente melhor que k=5 (0,31 contra 0,29), mas a interpretação prática de k=4 era muito mais limpa. Às vezes o modelo mais simples com clusters interpretáveis vale mais que meio ponto de silhouette. Limitações importantes. O K-Medoids tem complexidade O(n²) no pior caso, então acima de 200 lubrificantes na matriz você começa a sentir latência. Para esse tamanho maior, use o X-Medoids ou reduza a dimensionalidade com PCA antes. Também não lida bem com variáveis categóricas misturadas com contínuas - se você quiser incluir tipo de base (mineral, sintética, semi-sintética) como feature, precisa usar Gower distance em vez de Euclidiana. A implementação do PyClustering suporta isso nativamente. Aqui vai o código base que usamos. Ele é funcional e roda em Python 3.10 com scikit-learn, scikit-learn-extra e pandas:

from sklearn.preprocessing import StandardScaler
from sklearn_extra.cluster import KMedoids
from sklearn.metrics import silhouette_score
import pandas as pd

df = pd.read_csv("lubrificantes.csv")
features = ["viscosidade_iso", "indice_viscosidade", "ponto_fluidez", "carga_solda_api", "oxidacao_horas", "temp_maxima", "compatibilidade_nitrila"]

scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[features])

kmedoids = KMedoids(n_clusters=4, metric="euclidean", random_state=42)
labels = kmedoids.fit_predict(X_scaled)

score = silhouette_score(X_scaled, labels)
print(f"Silhouette: {score:.3f}")
print(f"Medoides: {df.iloc[kmedoids.medoid_indices_][['marca','modelo']].to_string()}") O arquivo CSV de entrada precisa ter uma coluna "marca" e "modelo" para identificação, além das 7 features numéricas. A saída te dá o score de validade e os produtos que representam cada cluster. A partir daí, a decisão de qual lubrificante é o melhor depende do seu cenário operacional - o clustering mostra similaridades, não classifica diretamente. Se você tem uma aplicação específica com faixa de temperatura restrita ou exigência de carga extrema, filtra os clusters relevantes e compara os medoides deles lado a lado nas fichas técnicas. É assim que o processo funciona na prática.