Upload 2 files

model.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ea53e57baa9774c9b1b7a308eb0126003a98bf08bf18f8d286f848dcb5e83bc6
+size 1080

regressao_california_housing.py

@@ -0,0 +1,93 @@
+# -*- coding: utf-8 -*-
+"""Regressao_california_housing.ipynb
+
+Automatically generated by Colaboratory.
+
+Original file is located at
+    https://colab.research.google.com/drive/1scAuuquey_Jr4vD3oBLVzLHQ_Hd6VLJb
+
+# **Regressao california housing**
+
+Dados de habitação da Califórnia ou o conjunto de dados de habitação de Ames.
+
+Este conjunto de dados contém informações sobre habitação na Califórnia. Ele inclui atributos como a renda média, idade média da casa, número médio de quartos, número médio de ocupantes por casa, latitude e longitude.
+"""
+
+! pip install datasets
+
+# Importando as bibliotecas necessárias
+import pandas as pd
+import numpy as np
+from sklearn.datasets import fetch_california_housing
+from sklearn.model_selection import train_test_split, cross_val_score
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
+from sklearn.preprocessing import StandardScaler
+from sklearn.datasets import fetch_california_housing
+
+# Carregando o conjunto de dados de habitação da Califórnia
+housing = fetch_california_housing()
+
+# Convertendo para um DataFrame pandas
+df = pd.DataFrame(housing.data, columns=housing.feature_names)
+df['target'] = housing.target
+
+# Pré-processamento de Dados: Normalização das variáveis numéricas
+scaler = StandardScaler()
+df[housing.feature_names] = scaler.fit_transform(df[housing.feature_names])
+
+X_train, X_test, y_train, y_test = train_test_split(df.drop('target', axis=1), df['target'], test_size=0.2, random_state=42)
+
+# Treinando o modelo com os dados de treinamento
+model = LinearRegression()
+model.fit(X_train, y_train)
+
+# Fazendo previsões com os dados de teste
+y_pred = model.predict(X_test)
+
+# Calculando o erro quadrático médio das previsões
+mse = mean_squared_error(y_test, y_pred)
+print(f'Erro Quadrático Médio: {mse}')
+
+"""Erro Quadrático Médio (MSE): O MSE é uma medida comum de erro de previsão que penaliza grandes erros mais do que pequenos erros. Seu valor é 0.5558915986952441, o que significa que, em média, as previsões do seu modelo estão cerca de 0.56 unidades distantes do valor real."""
+
+# Calculando o erro absoluto médio das previsões
+mae = mean_absolute_error(y_test, y_pred)
+print(f'Erro Absoluto Médio: {mae}')
+
+"""Erro Absoluto Médio (MAE): O MAE é outra medida de erro de previsão que é menos sensível a grandes erros do que o MSE. Seu valor é 0.5332001304956565, o que significa que, em média, as previsões do seu modelo estão cerca de 0.53 unidades distantes do valor real."""
+
+# Calculando o coeficiente de determinação das previsões
+r2 = r2_score(y_test, y_pred)
+print(f'Coeficiente de Determinação (R^2): {r2}')
+
+"""Coeficiente de Determinação (R^2): O R^2 é uma medida de quão bem as previsões do seu modelo se ajustam aos dados reais. Seu valor é 0.575787706032451, o que significa que seu modelo explica cerca de 57.6% da variância na variável alvo."""
+
+# Realizando a validação cruzada
+scores = cross_val_score(model, df.drop('target', axis=1), df['target'], cv=5, scoring='neg_mean_squared_error')
+avg_mse = np.mean(scores)
+print(f'Erro Quadrático Médio Médio da Validação Cruzada: {-avg_mse}')
+
+"""Erro Quadrático Médio Médio da Validação Cruzada: Este é o MSE médio calculado através da validação cruzada. Seu valor é 0.5582901717686553, o que é ligeiramente maior do que o MSE calculado no conjunto de teste. Isso sugere que seu modelo pode estar um pouco sobreajustado aos dados de treinamento."""
+
+# Imprimindo os coeficientes do modelo
+coefficients = pd.DataFrame(model.coef_, index=housing.feature_names, columns=['Coefficient'])
+print(coefficients)
+
+"""Os coeficientes do modelo de regressão linear representam a relação entre as características (ou variáveis independentes) e a variável alvo (ou variável dependente).
+
+*   MedInc: Um aumento de uma unidade em MedInc está associado a um aumento de 0.
+852382 na variável alvo. Isso sugere que a renda média é um forte preditor positivo da variável alvo.
+*   HouseAge: Um aumento de uma unidade em HouseAge está associado a um aumento de 0.122382 na variável alvo. Isso indica que a idade da casa tem uma relação positiva com a variável alvo, mas não tão forte quanto MedInc.
+*   AveRooms: Um aumento de uma unidade em AveRooms está associado a uma diminuição de 0.305116 na variável alvo. Isso sugere que o número médio de quartos tem uma relação negativa com a variável alvo.
+*   AveBedrms: Um aumento de uma unidade em AveBedrms está associado a um aumento de 0.371132 na variável alvo. Isso indica que o número médio de quartos tem uma relação positiva com a variável alvo.
+*   Population: Um aumento de uma unidade em Population está associado a uma diminuição de 0.002298 na variável alvo. Isso sugere que a população tem uma relação negativa muito fraca com a variável alvo.
+*   AveOccup: Um aumento de uma unidade em AveOccup está associado a uma diminuição de 0.036624 na variável alvo. Isso indica que a ocupação média tem uma relação negativa com a variável alvo.
+*   Latitude: Um aumento de uma unidade em Latitude está associado a uma diminuição de 0.896635 na variável alvo. Isso sugere que a latitude tem uma forte relação negativa com a variável alvo.
+*   Longitude: Um aumento de uma unidade em Longitude está associado a uma diminuição de 0.868927 na variável alvo. Isso indica que a longitude também tem uma forte relação negativa com a variável alvo.
+"""
+
+# Salvando o modelo
+from joblib import dump
+
+dump(model, 'model.joblib')