Modelo de Random forest regression.
Prever o valor de venda de casas em Chicago, nos Estados Unidos.
Como os dados não seguem uma distribuição normal, não é possível usar um modelo de regressão linear, que é um método paramétrico que assume essa condição. Uma alternativa é usar um modelo de regressão não paramétrico, que não faz suposições sobre a forma da distribuição dos dados. Nesse projeto, o modelo escolhido foi a regressão por floresta aleatória, que é um método que combina várias árvores de decisão para fazer previsões. Esse modelo se mostrou adequado para o problema, pois obteve um pseudo R² de 83%, o que indica um bom ajuste aos dados. O pseudo R² é uma medida de qualidade do modelo que varia de 0 a 1, sendo que valores mais próximos de 1 indicam um melhor desempenho.
Este projeto tem fins apenas educacionais e não deve ser aplicado em situações reais. O modelo de previsão de valor de casas em Chicago foi desenvolvido com base em um conjunto de dados limitado e pode não refletir a realidade atual do mercado imobiliário. Portanto, recomendo que os usuários não tomem decisões baseadas nas previsões geradas pelo modelo, sem antes consultar outras fontes de informação e especialistas no assunto.
Link do banco de dados utilizado: www.kaggle.com/datasets/tawfikelmetwally/chicago-house-price
- Email: dev.venicius1912@gmail.com
- LinkedIn: www.linkedin.com/in/venicius-santana-lima