📈 Modelo de Previsão de Preços de Imóveis na Califórnia

Este projeto tem como objetivo construir um modelo de aprendizado de máquina para prever os preços de imóveis na Califórnia, utilizando o dataset de preços de imóveis do repositório StatLib, baseado no censo da Califórnia de 1990. O resultado deste modelo será utilizado para alimentar um sistema de análise e recomendação de investimento em imóveis.

A métrica de desempenho escolhida para avaliar o modelo é a Raiz do Erro Quadrático Médio (RMSE).

Este projeto foi orientado pelo livro Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems do autor Aurélien Géron.

🗂️ Estrutura do Projeto

O projeto é desenvolvido em um notebook Jupyter (ou Google Colab) e segue as seguintes etapas:

1. Importação de Bibliotecas: Carregamento das bibliotecas Python necessárias para manipulação de dados, visualização e modelagem.
2. Download dos Dados: Obtenção do dataset de preços de imóveis da Califórnia.
3. Análise Exploratória dos Dados (EDA):
   • Visualização das primeiras linhas do dataset.
   • Obtenção de informações gerais sobre os atributos (.info()).
   • Análise dos valores únicos de atributos categóricos (.value_counts()).
   • Resumo estatístico dos atributos numéricos (.describe()).
   • Geração de histogramas para visualização da distribuição dos atributos numéricos.
4. Criação de um Conjunto de Testes: Separação do dataset em conjuntos de treino e teste, utilizando amostragem estratificada para garantir representatividade das categorias de renda.
5. Visualização de Dados:
   • Plotagem da distribuição geográfica dos imóveis.
   • Visualização da densidade populacional e preços médios em um mapa.
6. Busca por Correlações: Análise da matriz de correlação entre os atributos numéricos e o preço médio do imóvel.
7. Teste de Novas Combinações de Atributos: Criação de novos atributos combinando os existentes para identificar relações mais fortes com o preço médio do imóvel.
8. Tratamento dos Dados:
   • Limpeza de Dados: Tratamento de valores ausentes no atributo total_bedrooms.
   • Manipulação de Atributos Categóricos: Conversão de atributos categóricos para formato numérico utilizando One-Hot Encoding.
   • Customização de Transformadores: Criação de uma classe customizada para adicionar atributos combinados.
   • Transformação de Pipelines: Criação de pipelines para automatizar o pré-processamento dos dados numéricos e categóricos.
9. Escolha e Treinamento de Modelos:
   • Regressão Linear: Treinamento e avaliação de um modelo de Regressão Linear.
   • Árvore de Decisão (para regressão): Treinamento e avaliação de um modelo de Árvore de Decisão.
   • Florestas Aleatórias (para regressão): Treinamento e avaliação de um modelo de Florestas Aleatórias.
10. Aperfeiçoamento de Modelos Promissores:
    • Grid Search: Utilização de Grid Search para encontrar a melhor combinação de hiperparâmetros para o modelo de Florestas Aleatórias.
    • Análise dos Melhores Modelos: Análise da importância dos atributos no modelo final.
11. Avaliação do Sistema no Conjunto de Testes: Avaliação do desempenho do modelo final no conjunto de testes e cálculo do intervalo de confiança para o erro de generalização.

💾 Dataset

O dataset utilizado é o Conjunto de Dados de Preços de Imóveis da Califórnia do repositório StatLib, baseado no censo da Califórnia de 1990. Os atributos incluem:

• longitude
• latitude
• housing_median_age (idade média do imóvel)
• total_rooms (número de cômodos)
• total_bedrooms (número de quartos)
• population (população)
• households (famílias)
• median_income (renda média)
• median_house_value (valor médio do imóvel - atributo alvo)
• ocean_proximity (proximidade do mar - atributo categórico)

⚙️ Como Executar

Para replicar este projeto, você pode:

1. Clonar este repositório.
2. Abrir o notebook Jupyter (ou no Google Colab).
3. Executar as células sequencialmente.

📊 Resultados

Após o treinamento e ajuste dos modelos, o modelo de Florestas Aleatórias com hiperparâmetros otimizados apresentou o melhor desempenho no conjunto de testes. O RMSE final obtido foi de 48424.96.

🎯 Próximos Passos

Alguns passos futuros para aprimorar este projeto incluem:

• Explorar outros modelos de regressão.
• Realizar engenharia de atributos mais avançada.
• Ajustar ainda mais os hiperparâmetros com técnicas como Random Search.
• Implementar validação cruzada aninhada para uma avaliação mais robusta.

🚀 Tecnologias Utilizadas

• Python
• Pandas
• NumPy
• Matplotlib
• Scikit-learn