/wine-analysis

Análise dataset de vinhos

Análise exploratória de vinhos

Análise sobre dataset de vinhos utilizando a linguagem R.

Contribuições

  • Igor Leal
  • Carolene Bertoldi

Conteúdo

Para um entendimento completo da análise, é recomendado seguir a análise conforme a sequência e os arquivos abaixo:

  1. Análise Exploratória Geral: descriptive_analysis.Rmd
  2. Análise Exploratória Vinhos Brancos x Tintos: descriptive-analysis-red-wines-x-white-wines.Rmd
  3. Análise Exploratória Vinhos Brancos: descriptive-analysis-red-wines-x-white-wines.Rmd
  4. Modelos e Predições: preditions.Rmd

Todos os arquivos possuem instruções para instalar e carregar as bibliotecas necessárias para a análise e predição.

Análise Exploratória Geral

Contém a análise contemplando o primeiro contato com o dataset de vinhos. Decidimos dividir a análise em duas categorias: vinhos brancos e vinhos tintos.

Em resumo, aborda os seguintes tópicos:

  • Amostras;
  • Visão geral;
  • Valores nulos;
  • Distribuição dos dados;
  • Média e Mediana: Vinhos Tintos x Vinhos Brancos;
  • Outliers/Quartis;
  • Medidas de Dispersão: Desvio Padrão e Variância.

Análise Exploratória Vinhos Brancos x Vinhos Tintos

Contém uma análise mais aprofundada, porém separadas entre vinhos brancos e tintos. No final, decidimos continuar a análise somente com o vinho branco.

Em resumo, aborda os seguintes tópicos:

  • Dividindo conjunto de dados em vinhos tintos e vinhos brancos;
  • Distribuição do dados por tipo de vinho (para cada campo);
  • Outliers (Vinhos brancos x Vinhos Tintos x Dataset original);
  • Correlações (Positivas / Negativas);
  • Decisão Final (seguir a análise somente com vinhos brancos).

Análise Exploratória Vinhos Brancos

Contém uma análise dos itens que estavam faltando relacionados ao vinho branco. Com esta análise, é possível rodar modelos preditivos.

Em resumo, aborda os seguintes tópicos:

  • Tratamento de Outliers (para cada campo);
  • PCA.

Modelos e predições

Por fim, executamos quatro modelos diferentes para predição e escolhemos aquele que melhor previu os resultados.

Em resumo, aborda os seguintes tópicos:

  • Correlações
  • Classificando a Qualidade
  • Modelo 1: Regressão Linear;
  • Modelo 2: Árvore de Regressão Linear;
  • Modelo 3: Árvore de Decisão;
  • Modelo 4: Árvore de Regressão Logística;
  • Técnica (explicação resumida teórica sobre o modelo);
  • Separando o dataset em treinamento/teste;
  • Análise da Qualidade do Modelo (Matriz de Confusão);
  • Conclusões.