Essa análise foi desenvolvida pelo aluno Lucas Rolim como parte da disciplina de Introdução ao Aprendizado de Máquina (EEL891) ofertada pelo Departamento de Eletrônica da Universidade Federal do Rio de Janeiro em 2018.2.
O objetivo do trabalho é desenvolver um modelo capaz de prever o preço de imóveis na cidade de Recife. Para tal será utilizado o conjunto de dados fornecido no desafio do Kaggle da matéria e também um conjunto de dados minerado da web sobre distribuição de renda nos bairros da cidade.
Os modelos de regressão explorados na análise foram:
- Regressão polinomial
- Regressão Ridge
- Regressão Lasso
- Elastic Net
- Ridge bayessiano
- Florestas aleatórias
- LGBM
- xgBoost
A tabela de resultados abaixo foi calculada ao executar os modelos e calcular a média dos resultados da validação cruzada utilizando 5 folds.
Nota-se que modelos de Ensemble tiveram um desempenho significativamente melhor, de maneira geral.
| Modelo | RMSPE | desvio_padrao |
|---|---|---|
| Polinomial | 0.255948 | 0.017650 |
| Ridge | 0.018744 | 0.000475 |
| Lasoo | 0.027953 | 0.000556 |
| ElasticNet | 0.027592 | 0.000529 |
| BayesianRidge | 0.018751 | 0.000484 |
| RandomForest | 0.017103 | 0.000692 |
| LGBM | 0.016940 | 0.001689 |
| KNeighbors | 0.023782 | 0.000740 |
| xgBoost | 0.016589 | 0.000486 |