Regressão Linear em Machine Learning

Posts Relacionados:

Conjuntos de treinamento e teste em machine learning

Árvore de decisão em machine learning

Scikit-learn – a melhor escolha para machine learning

03.05.24

A regressão linear é um conceito fundamental em machine learning. Aprenda como usá-la e implementá-la facilmente com Python e scikit-learn.

Receba nossa newsletter

Regressão Linear e Machine Learning

A regressão linear é um conceito fundamental em machine learning. Especificamente, ela é uma técnica de aprendizagem supervisionada.

A ideia central da regressão linear é simples. Seu algoritmo descobre uma relação linear entre características (variáveis independentes, também chamadas como atributos) e uma variável alvo (variável dependente). Um problema clássico de regressão linear é a predição do preço de imóveis. Suponha que você tenha dados sobre o número de cômodos de casas (atributos) e preço das casas (variável alvo). A regressão linear pode ajudar na descoberta da tendência geral: à medida que o número de cômodos de uma casa aumenta, o preço da casa tende a subir também (ou vice-versa). Além disso, a regressão linear também indica como expressar essa tendência matematicamente como uma equação da reta.

A regressão linear pode lidar com problemas com apenas um recurso e uma variável alvo ou com cenários com vários recursos e uma variável alvo. Nesse último caso, ela essencialmente define um plano dimensional superior aos dados.

Regressão Linear na Prática

A forma mais eficiente de implementar regressão linear é com a biblioteca scikit-learn. No exemplo abaixo, definimos dados ilustrativos sobre a idade de carros e suas velocidades registradas num radar. O objetivo do algoritmo de regressão linear nesse exemplo é prever a velocidade de carros de idades que o modelo não viu a partir da relação que ele deverá aprender.

				
					import matplotlib.pyplot as plt
from sklearn import linear_model

# Dados de exemplo, idade de carros em anos e velocidade medida num radar
anos = [5,7,8,7,2,17,2,9,4,11,12,9,6]
velocidade = [99,86,87,88,111,86,103,87,94,78,77,85,86]

Em seguida, iniciamos um objeto do scikit-learn para executar a regressão linear em si.

				
					# Cria um objeto de regressão linear
reg = linear_model.LinearRegression()

Como qualquer modelo de machine learning, o uso da regressão linear envolve uma fase de treino e uma fase de teste e predição. Com scikit-learn, o treino é definido assim:

				
					# Treina o modelo
reg.fit(X=[[ano] for ano in anos], y=velocidade)

Depois, testamos o resultado do modelo para uma idade de carro que ele não viu durante o treinamento.

				
					# Realiza predições
pred = reg.predict(X=[[13]])  # Preve velocidade de um carro de 13 anos

Esse é o resultado:

				
					print("Velocidade prevista para um carro de 13 anos:", pred[0])
# resultado: Velocidade prevista para um carro de 13 anos: 80.3392200147167

Por fim, plotamos os dados junto à reta encontrada pelo modelo.

				
					plt.scatter(anos, velocidade, color="blue")
plt.plot(anos, reg.predict(X=[[ano] for ano in anos]), color="red")
plt.xlabel("Idade do Carro")
plt.ylabel("Velocidade")
plt.title("Velocidade vs Idade do Carro")
plt.show()