Previsão de Preços de Imóveis na Califórnia com Regressão Linea

Origem: https://www.kaggle.com/datasets/camnugent/california-housing-prices/data

Um pouco mais sobre a base

Os dados provém de um censo do EUA de 1990, onde disponibiliza alguns dados sobre grupos de moradores da região e seus imóveis.

Clique aqui para ver o dicionário de dados da base utilizado.

Etapas

Este projeto tem como objetivo construir e avaliar modelos de regressão para prever o valor médio de imóveis no estado da Califórnia, com base em dados demográficos e geográficos provenientes do censo dos EUA de 1990. Foram aplicadas técnicas de análise exploratória, engenharia de atributos, visualização geográfica e modelagem preditiva.

Para isso algumas etapas forma necessárias:

• 📊 EDA: análise exploratória e tratamento inicial dos dados.

• 🌍 GeoPandas & Folium: visualizações geográficas dos dados e agrupamento por localização.

• 🔢 Modelos de Regressão: aplicação e avaliação de modelos como Regressão Linear, Ridge, Lasso e ElasticNet.

• 📈 Polynomial Features: avaliação do impacto da transformação polinomial nas variáveis.

• 🧪 Regularização: comparação entre os modelos com técnicas de regularização.

• 🏁 Modelo Final: seleção do modelo com melhor desempenho e menor custo computacional (Ridge).

• EDA: para tratamento e análise dos dados.

• GeoPandas e Foium: para visualização e manipulação de dados geográficos.

• Modelos de Regressão: testando modelos de regressão e preprocessamentos.

• PolynomialFeatures: testando regressão polinomial.

• Regularização: testando e comparando outros modelos e regularizações.

• Modelo escolhido: modelo com melhor desempenho e menor penalização de processamento.

Streamlit

Uma versão interativa do projeto foi publicada via Streamlit. Acesse o app clicando abaixo:

👉 Acesse o App de Previsão de Preços

Organização do projeto

├── .gitignore         <- Arquivos e diretórios a serem ignorados pelo Git
├── requirements.txt   <- O arquivo de requisitos para reproduzir o ambiente de análise
├── LICENSE            <- Licença de código aberto se uma for escolhida
├── README.md          <- README principal para desenvolvedores que usam este projeto.
|
├── dados              <- Arquivos de dados para o projeto.
|
├── modelos            <- Modelos treinados e serializados, previsões de modelos ou resumos de modelos
|
├── notebooks          <- Cadernos Jupyter. A convenção de nomenclatura é um número (para ordenação),
│                         as iniciais do criador e uma descrição curta separada por `-`, por exemplo
│                         `01-JN-exploracao-inicial-de-dados`.
│
|   └──src             <- Código-fonte para uso neste projeto.
|      │
|      ├── __init__.py  <- Torna um módulo Python
|      ├── config.py    <- Configurações básicas do projeto
|      └── graficos.py  <- Scripts para criar visualizações exploratórias e orientadas a resultados
|
├── referencias        <- Dicionários de dados, manuais e todos os outros materiais explicativos.
|
├── relatorios         <- Análises geradas em HTML, PDF, LaTeX, etc.
│   └── imagens        <- Gráficos e figuras gerados para serem usados em relatórios

Configuração do ambiente

1. Faça o clone do repositório que será criado a partir deste modelo.

   git clone ENDERECO_DO_REPOSITORIO

2. Crie um ambiente virtual para o seu projeto utilizando o gerenciador de ambientes de sua preferência.

   a. Caso esteja utilizando o conda, exporte as dependências do ambiente para o arquivo ambiente.yml:

   conda env export > ambiente.yml

   b. Caso esteja utilizando outro gerenciador de ambientes, exporte as dependências para o arquivo requirements.txt ou outro formato de sua preferência. Adicione o arquivo ao controle de versão, removendo o arquivo ambiente.yml.

📄 Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.

👤 Autor

Desenvolvido por José Nivaldo
Entre em contato: jnjunior96@outlook.com