Aula 05 - Regressão Linear na Prática 📉
Hoje vamos aprender o algoritmo mais simples e poderoso para prever números: a Regressão Linear.
📏 O que é Regressão?
Regressão é um tipo de aprendizado supervisionado usado quando queremos prever um valor numérico contínuo (ex: preço de uma casa, temperatura, vendas).
Conceito Visual
Imagine vários pontos em um gráfico. A Regressão Linear tenta traçar a melhor linha reta que passa por esses pontos.
🏗️ Como a Linha é Ajustada?
O objetivo é minimizar o "Erro". Se a linha está longe dos pontos, o erro é alto. O computador ajusta a inclinação da linha até que ela fique o mais perto possível de todos os pontos.
graph LR
A["Dados (X, Y)"] --> B["Ajuste de Linha (Treino)"]
B --> C["Ajuste de Pesos e Bias"]
C --> D["Linha de Melhor Ajuste"]💻 Implementação Simples com Scikit-Learn
Veja como é fácil fazer isso com as ferramentas certas:
$ python
>>> from sklearn.linear_model import LinearRegression
>>> # Dados: Tamanho da Casa (X) e Preço (Y)
>>> X = [[50], [100], [150]]
>>> y = [200, 400, 600]
>>> modelo = LinearRegression().fit(X, y)
>>> # Prevendo o preço de uma casa de 120m²
>>> previsao = modelo.predict([[120]])
>>> print(f"Previsão de preço: {previsao[0]}")
⚠️ Avaliação de Erro
Como sabemos se o modelo é bom? Usamos métricas como o Erro Médio Quadrático (MSE).
Destaque
- Ajuste Perfeito: A linha passa por cima de todos os pontos (raro no mundo real).
- Erro Baixo: A linha captura a tendência geral dos dados.
🚀 Mini-Projeto
Desafio: Pense em um problema do seu dia a dia que poderia ser resolvido com uma previsão numérica (ex: quanto vou gastar de luz se usar o ar-condicionado por X horas). Quais seriam o X e o Y?