Search
Close this search box.
Regressão Linear em Machine Learning
Regressão Linear e Machine Learning

Posts Relacionados:

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()
modelo de machine learning

E com isso concluímos um exemplo de modelo de machine learning super fácil.

Encontrou algum erro ou quer fazer uma sugestão? Por favor, entre em contato usando nosso formulário de contatos.

Imagem com IA Generativa – Dia 278

IA generativa img278

Arte com IA generativa: imagem do dia

Todos os dias, postamos um exemplo de imagem artística gerada com inteligência artificial.

Tutoriais

Postagens Mais Recentes

Outras Postagens Que Podem Interessar

Veja
Mais

Fique em contato

Se inscreva para receber nossa newsletter com novidades.

aprendiz artificial