---
title: "Machine Learning no JASP (software grátis)"
url: https://www.blog.psicometriaonline.com.br/machine-learning-no-jasp-software-gratis
canonical: https://www.blog.psicometriaonline.com.br/machine-learning-no-jasp-software-gratis
language: pt-BR
published: 2026-09-23T11:39:33.349Z
updated: 2026-09-23T11:41:09.103Z
modified: 2026-09-23T11:41:09.103Z
author: "Alessandro Reis"
categories: ["Inteligência artificial", "Softwares de Análise de Dados"]
tags: ["machine learning", "regressão", "tutorial no JASP"]
description: "Um guia prático sobre o módulo Machine Learning do JASP, mostrando como prever valores, classificar categorias e segmentar perfis usando apenas cliques, com int"
source: Blog Psicometria Online
---
# Machine Learning no JASP (software grátis)

> Um guia prático sobre o módulo Machine Learning do JASP, mostrando como prever valores, classificar categorias e segmentar perfis usando apenas cliques, com interpretação de cada saída.

Quando se fala em machine learning, a maioria dos pesquisadores em ciências humanas, sociais e da saúde imagina scripts complexos, servidores de processamento e uma curva de aprendizado que consome meses. O JASP muda essa equação. Além dos módulos clássicos de estatística frequentista e bayesiana, já apresentados quando descrevemos [JASP como um software gratuito para fazer análise de dados](/jasp-um-software-gratuito-para-fazer-analise-de-dados), o programa disponibiliza um módulo dedicado de Machine Learning, com interface totalmente ponto-e-clique, que roda por baixo os mesmos algoritmos usados em pacotes estatísticos consolidados.

![](/uploads/1790163643161-679430932.png)

O **JASP** é um programa de código aberto voltado para análise estatística clássica e bayesiana. **Ele foi criado por pesquisadores da** [**Universidade de Amsterdã**](https://jasp-stats.org/team/frederick-aust/download-3/). O software serve para processar dados quantitativos de forma visual e intuitiva (com menus "arrastar e soltar"), sem exigir linhas de comando. Ele gera gráficos e tabelas automaticamente formatados no padrão APA. Para baixar, basta acessar a [**página de download do JASP**](https://jasp-stats.org/download/) e escolher o instalador gratuito para Windows, Mac ou Linux.

O objetivo deste post é mostrar, de forma prática, como esse módulo organiza três grandes famílias de tarefas (previsão de valores numéricos, classificação de categorias e agrupamento de perfis) e como interpretar as saídas que ele gera. Antes de aplicar qualquer um desses recursos, vale a pena revisitar a discussão sobre [quando realmente vale a pena usar machine learning no seu problema](/devo-ou-consigo-usar-machine-learning-no-meu-problema), porque a facilidade de clicar em um botão não substitui a reflexão sobre o desenho da pesquisa e o tamanho da amostra.

## Previsão de Valores: Modelos de Regressão para estimar dados numéricos

O submódulo Regression do JASP resolve o mesmo tipo de problema que a regressão linear múltipla, só que com algoritmos mais flexíveis, capazes de capturar relações não lineares e interações complexas sem que o pesquisador precise especificá-las manualmente. Entre as opções disponíveis estão a regressão por árvores (Regression Trees), o Random Forest, o Boosting e as Redes Neurais, além de métodos regularizados como Lasso e Ridge, úteis quando há muitos preditores correlacionados.

Suponha um exemplo didático: um pesquisador quer prever o escore de bem-estar psicológico de trabalhadores a partir de idade, horas de sono, escore de sobrecarga de trabalho e suporte social percebido. No JASP, o caminho é Machine Learning > Regression > Random Forest Regression. A variável dependente (bem-estar) vai no campo 'Target' e os preditores no campo 'Features'. O programa divide automaticamente a amostra em treino e teste, ajusta o modelo e devolve métricas de desempenho.

Na saída, suponha que o JASP reporte um R-quadrado de teste de 0,42 e um RMSE (raiz do erro quadrático médio) de 4,1 pontos na escala de bem-estar. O R-quadrado indica que 42% da variância dos escores de bem-estar no conjunto de teste é explicada pelo modelo, um valor moderado para dados de ciências humanas. O RMSE traduz o erro típico de previsão na mesma unidade da variável original, o que facilita comunicar o resultado a públicos não técnicos: em média, a previsão do modelo erra cerca de 4 pontos para mais ou para menos.

Para reportar esse resultado no artigo, uma frase-modelo seria: 'Um modelo de Random Forest Regression foi ajustado no JASP para prever o escore de bem-estar a partir de idade, sono, sobrecarga e suporte social, apresentando R-quadrado de teste de 0,42 e RMSE de 4,1 pontos, o que indica capacidade preditiva moderada do conjunto de variáveis consideradas'.

É importante não confundir o R-quadrado de um modelo de machine learning com o R-quadrado de uma regressão linear clássica: aqui ele é calculado sobre dados que o modelo nunca viu durante o treino, o que dá uma estimativa mais honesta da capacidade de generalização, em vez de refletir apenas o ajuste aos dados observados.

## Classificação Inteligente: Separação de categorias e diagnósticos

Quando a variável de interesse é categórica, o submódulo Classification entra em cena. Ele oferece algoritmos como Random Forest Classification, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Naive Bayes e Redes Neurais, todos pensados para separar observações em duas ou mais classes. A lógica é semelhante à da regressão logística, já detalhada quando explicamos [como fazer uma regressão logística no JASP](/como-fazer-uma-regressao-logistica-no-jasp), mas com algoritmos que conseguem capturar fronteiras de decisão mais complexas entre os grupos.

Imagine um exemplo aplicado à saúde mental: um pesquisador quer classificar respondentes em 'caso clínico' ou 'não caso' a partir de escores de ansiedade, depressão e insônia coletados em um instrumento de triagem. No JASP, o caminho é Machine Learning > Classification > Random Forest Classification, com a variável diagnóstica no campo 'Target' e os escores no campo 'Features'.

Suponha que a saída traga uma acurácia de teste de 0,84, sensibilidade de 0,79 e especificidade de 0,88, com uma área sob a curva ROC (AUC) de 0,89. A acurácia indica a proporção geral de classificações corretas. A sensibilidade mostra a capacidade do modelo de identificar corretamente os casos clínicos verdadeiros, enquanto a especificidade mostra a capacidade de identificar corretamente quem não é caso. A AUC de 0,89 sinaliza uma discriminação boa entre os dois grupos, considerando que valores próximos de 0,50 indicariam desempenho equivalente ao acaso.

Uma frase-modelo para o manuscrito seria: 'Um classificador Random Forest foi treinado no JASP para distinguir casos clínicos de não casos a partir dos escores de ansiedade, depressão e insônia, alcançando acurácia de 0,84 e AUC de 0,89 no conjunto de teste, o que sugere boa capacidade discriminativa do conjunto de indicadores'.

A matriz de confusão, também disponível na saída, detalha os acertos e erros por categoria e merece leitura cuidadosa sempre que as classes forem desbalanceadas, situação em que a acurácia isolada pode mascarar um desempenho ruim na categoria minoritária.

## Segmentação de Perfis: Agrupamento de padrões ocultos com Clustering

Diferente da regressão e da classificação, o clustering não tem uma variável dependente definida a priori: o objetivo é descobrir agrupamentos naturais nos dados a partir da semelhança entre observações. No JASP, o submódulo Clustering oferece métodos como K-means, hierárquico e baseado em densidade, todos acessíveis sem qualquer programação.

Um exemplo típico em pesquisa social seria segmentar respondentes de uma pesquisa de clima organizacional a partir de escores de engajamento, satisfação e intenção de saída. No caminho Machine Learning > Clustering > K-means Clustering, o pesquisador seleciona as variáveis contínuas de interesse e o programa sugere o número de agrupamentos com base em critérios como o coeficiente de silhueta, além de permitir que o número de clusters seja fixado manualmente.

Suponha que a análise indique três clusters, com um coeficiente de silhueta médio de 0,52, valor que indica separação razoável entre os grupos. A inspeção dos centroides pode revelar, por exemplo, um cluster com alto engajamento e baixa intenção de saída, outro com padrão intermediário, e um terceiro com baixo engajamento e alta intenção de saída, funcionando como perfis latentes de vínculo com a organização.

No relato, uma frase-modelo seria: 'A análise de K-means Clustering no JASP identificou três perfis de vínculo organizacional, com coeficiente de silhueta de 0,52, caracterizados por diferentes combinações de engajamento, satisfação e intenção de saída'. Vale lembrar que, diferente da análise fatorial ou de classes latentes, o clustering não supõe um modelo estatístico subjacente aos dados, o que o torna mais exploratório e dependente de replicação para validar os perfis encontrados.

## Divisão Automática de Dados: Separação de treino e teste sem complicação

Todos os submódulos de regressão e classificação do JASP dividem a amostra automaticamente em conjunto de treino, usado para ajustar o modelo, e conjunto de teste, usado para avaliar seu desempenho em dados não vistos. O usuário controla a proporção dessa divisão e pode fixar uma semente aleatória (seed), garantindo que a mesma partição seja reproduzida em análises futuras, requisito importante para a reprodutibilidade do estudo.

Além da divisão simples treino-teste, o JASP também permite validação cruzada (cross-validation), em que os dados são divididos em várias partes e o modelo é treinado e testado repetidamente em combinações diferentes dessas partes. Esse procedimento é especialmente recomendado quando a amostra é pequena, situação comum em pesquisas de humanas e saúde, pois reduz a dependência do resultado a uma única partição dos dados.

## Otimização de Modelos: Ajuste de hiperparâmetros sem nenhuma linha de código

Hiperparâmetros são configurações do algoritmo que não são aprendidas diretamente dos dados, como o número de árvores em um Random Forest ou o número de vizinhos em um KNN. Ajustar esses valores manualmente é demorado e pouco confiável. No JASP, cada submódulo traz caixas de configuração em que o pesquisador pode testar diferentes valores e comparar o desempenho no conjunto de validação, ou solicitar que o próprio programa busque a combinação que minimiza o erro de previsão.

Essa otimização guiada evita duas armadilhas comuns: usar valores padrão sem qualquer justificativa, ou superajustar o modelo aos dados de treino em busca de métricas artificialmente altas. O relatório final do JASP indica qual configuração foi selecionada, informação que deve constar no método do artigo para garantir que outro pesquisador consiga reproduzir a análise.

## Explicabilidade Visual: Gráficos que revelam como o algoritmo tomou decisões

Um dos maiores desafios de modelos de machine learning é a sensação de 'caixa preta': o modelo prediz bem, mas não fica claro por quê. O JASP amplia a transparência por meio de gráficos como a importância de variáveis (variable importance), que ranqueia os preditores conforme sua contribuição para a previsão, e o gráfico de valores preditos versus observados, que mostra visualmente a qualidade do ajuste.

Em modelos baseados em árvores, o JASP também pode exibir a estrutura da árvore de decisão, permitindo acompanhar as regras lógicas que levam a uma determinada previsão ou classificação. Esses recursos aproximam o machine learning da tradição explicativa das ciências humanas e da saúde, em que não basta prever bem, é preciso também entender o mecanismo por trás da previsão.

## Previsões Automatizadas: Aplique modelos salvos direto em novas planilhas

Depois de treinado e validado, um modelo pode ser salvo no próprio JASP e aplicado posteriormente a uma nova planilha de dados, sem que seja necessário refazer todo o processo de ajuste. Essa funcionalidade é útil em contextos de triagem contínua, como aplicar um modelo classificatório validado em uma amostra clínica a novos pacientes que respondem ao mesmo instrumento em outro momento.

Vale reforçar que aplicar um modelo salvo a novos dados só é recomendável quando a nova amostra é suficientemente semelhante, em termos de população e contexto, àquela usada no treinamento original. Aplicar o modelo a um grupo muito diferente pode gerar previsões enviesadas, mesmo que o desempenho no conjunto de teste original tenha sido excelente.

## Leitura das Métricas: Como interpretar cada saída sem se perder no jargão

Cada relatório de saída do módulo de Machine Learning do JASP organiza as métricas em tabelas nomeadas de forma consistente com a literatura de aprendizado estatístico, o que ajuda o pesquisador a localizar rapidamente indicadores como R-quadrado, acurácia, AUC ou coeficiente de silhueta. Isso reduz parte da barreira de entrada para quem ainda não domina o vocabulário de machine learning, mas não dispensa a consulta a referências metodológicas para compreender o significado e as limitações de cada métrica.

Essa organização facilita a leitura, mas não substitui o julgamento metodológico do pesquisador. Cabe sempre avaliar se o tamanho da amostra sustenta a complexidade do modelo escolhido, se as variáveis fazem sentido teórico como preditores e se os resultados replicam em amostras independentes antes de qualquer generalização.

## Perguntas frequentes

Preciso saber programar para usar machine learning no JASP?

Não. Todo o processo, da seleção de variáveis ao ajuste de hiperparâmetros, é feito por menus e caixas de configuração, sem nenhuma linha de código.

Machine learning no JASP substitui a regressão e a análise fatorial tradicionais?

Não substitui. São ferramentas complementares: os métodos clássicos priorizam a explicação teórica das relações entre variáveis, enquanto o machine learning prioriza a capacidade preditiva em dados novos.

Qual o tamanho de amostra mínimo para usar esses módulos com segurança?

Não há um número fixo, mas amostras pequenas tornam a divisão treino-teste instável; nesses casos, a validação cruzada e a interpretação cautelosa das métricas são ainda mais importantes.

O JASP oferece redes neurais profundas (deep learning)?

O módulo oferece redes neurais simples, adequadas à maioria dos problemas em ciências humanas e da saúde, mas não se propõe a substituir frameworks especializados em deep learning de larga escala.

## Referencias

1.  Love et al. (2019) <b>JASP</b> : Graphical Statistical Software for Common Statistical Designs. Journal of Statistical Software. https://doi.org/10.18637/jss.v088.i02
    
2.  Breiman (2001) Random Forests. Machine Learning. https://doi.org/10.1023/a:1010933404324
    
3.  Cortes, Vapnik (1995) Support-Vector Networks. Machine Learning. https://doi.org/10.1023/a:1022627411411
    
4.  Rosa (2010) The Elements of Statistical Learning: Data Mining, Inference, and Prediction by HASTIE, T., TIBSHIRANI, R., and FRIEDMAN, J.. Biometrics. https://doi.org/10.1111/j.1541-0420.2010.01516.x
    

**Continue aprendendo:** para dominar este tema na pratica, conheca a formacao *Construcao, Adaptacao e Validacao de Instrumentos* da Psicometria Online Academy.

*Este conteudo e educativo; verifique os pressupostos e adapte ao seu desenho de pesquisa e aos seus dados.*

> **Como citar este artigo:** Reis, A. (2026, 23 de setembro). Machine learning no JASP (software grátis). *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/machine-learning-no-jasp-software-gratis