flaviaggp commited on
Commit
3bf5058
1 Parent(s): 2840a2e

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +19 -0
README.md CHANGED
@@ -34,10 +34,29 @@ Coeficiente de Determinação (R^2): 0.575787706032451
34
  Erro Quadrático Médio Médio da Validação Cruzada: 0.5582901717686553
35
 
36
  MedInc 0.852382
 
37
  HouseAge 0.122382
 
38
  AveRooms -0.305116
 
39
  AveBedrms 0.371132
 
40
  Population -0.002298
 
41
  AveOccup -0.036624
 
42
  Latitude -0.896635
 
43
  Longitude -0.868927
 
 
 
 
 
 
 
 
 
 
 
 
 
34
  Erro Quadrático Médio Médio da Validação Cruzada: 0.5582901717686553
35
 
36
  MedInc 0.852382
37
+
38
  HouseAge 0.122382
39
+
40
  AveRooms -0.305116
41
+
42
  AveBedrms 0.371132
43
+
44
  Population -0.002298
45
+
46
  AveOccup -0.036624
47
+
48
  Latitude -0.896635
49
+
50
  Longitude -0.868927
51
+
52
+ # Análise dos resultados:
53
+
54
+ 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.
55
+
56
+ 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.
57
+
58
+ 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.
59
+
60
+ 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.
61
+
62
+ Coeficientes do Modelo: Os coeficientes do modelo de regressão linear representam a relação entre as características (ou variáveis independentes) e a variável alvo. Por exemplo, um coeficiente de 0.852382 para ‘MedInc’ sugere que 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. Da mesma forma, um coeficiente de -0.305116 para ‘AveRooms’ sugere que um aumento de uma unidade em ‘AveRooms’ está associado a uma diminuição de 0.305116 na variável alvo, indicando uma relação negativa.