Arquivo de Inteligência Artificial - Página 69 de 165

1 – Supervisionado
1.1 – Regressao
1.1.1 – Linear Simples ou Univariada

LEGENDA

Principal

Ramo

Metodo

Problemas

Modelo

Arquitetura

a relação entre duas variáveis

Regressão linear simples modela a relação entre uma variável independente e uma dependente. A variável independente (x) serve para prever o valor da variável dependente (y). Por exemplo, podemos prever o preço de um imóvel (y) com base na metragem (x). Primeiramente, o algoritmo busca a linha reta que melhor se ajusta aos dados observados. A equação resultante tem forma y = a + bx, onde a é intercepto e b é inclinação. Diferente de modelos complexos, essa abordagem oferece interpretabilidade direta dos resultados. Portanto, regressão linear simples é o ponto de partida natural para quem aprende sobre regressão.

encontrando a linha de melhor ajuste

O método dos mínimos quadrados constitui a técnica padrão para encontrar os coeficientes da reta. Primeiramente, calculamos a diferença entre cada ponto real e o valor previsto pela reta. Depois, elevamos essas diferenças ao quadrado para tratar valores positivos e negativos igualmente. O algoritmo busca os valores de a e b que minimizam essa soma total. Por exemplo, em dados de preço por metragem, a inclinação b representa o preço por metro quadrado. Além disso, o intercepto a representa o valor base quando a metragem é zero. Esse processo matemático garante a reta que melhor representa os dados observados.

interpretando os coeficientes

Os coeficientes da regressão linear simples carregam significados práticos importantes para análise. A inclinação (b) indica quantas unidades y muda para cada unidade de x. Por exemplo, b = 5000 significa que cada metro quadrado adicional aumenta o preço em R$5.000. O intercepto (a) representa o valor de y quando x é igual a zero. Além disso, devemos avaliar se esse valor faz sentido no contexto do problema. Primeiramente, calculamos também o coeficiente de determinação R² para avaliar o ajuste. R² próximo de 1 indica que a variável x explica bem a variação de y. Essa interpretabilidade torna a regressão linear simples valiosa para tomada de decisão.

avaliando a qualidade do modelo

Avaliar um modelo de regressão linear simples exige análise de múltiplas métricas complementares. Primeiramente, o R² indica a proporção da variância de y explicada pela variável x. Valores acima de 0,7 geralmente indicam um bom ajuste aos dados observados. Além disso, analisamos os resíduos (diferenças entre valores reais e previstos). Resíduos devem se distribuir aleatoriamente sem padrões visíveis no gráfico. Adicionalmente, verificamos se os resíduos seguem aproximadamente uma distribuição normal. Outra métrica importante é o erro padrão dos coeficientes estimados. Por fim, a significância estatística dos coeficientes valida se a relação observada não ocorreu por acaso.

aplicações práticas no cotidiano

Regressão linear simples aparece em diversas situações práticas do dia a dia. Primeiramente, imobiliárias usam metragem para estimar preços de apartamentos em uma região. Além disso, varejistas analisam como gastos com publicidade influenciam o volume de vendas. Na agricultura, modelos relacionam quantidade de fertilizante com produtividade das colheitas. Escolas podem estudar a relação entre horas de estudo e notas obtidas pelos alunos. Empresas de transporte correlacionam distância percorrida com custo de combustível. Para iniciantes, este modelo demonstra como uma variável pode prever outra de forma simples. Consequentemente, é a ferramenta fundamental para entender relações causais básicas entre fenômenos.

Problema: Previsão de Salário com base em Anos de Experiência

Contexto: Uma empresa deseja entender a relação entre os anos de experiência de um funcionário e seu salário anual. Com base nessa relação, eles querem prever o salário de novos candidatos.

Objetivo: Construir um modelo de Regressão Linear que aprenda a relação entre X (Anos de Experiência) e Y (Salário em R$).

O que é Regressão Linear Simples?

É um algoritmo de aprendizado supervisionado que modela a relação entre uma variável independente (X) e uma variável dependente (Y) através de uma linha reta.

Fórmula Matemática: y = β₀ + β₁ * x + ε

Onde:
• y = variável alvo (Salário)
• x = variável preditora (Anos de Experiência)
• β₀ = intercepto (bias)
• β₁ = coeficiente angular (peso)
• ε = erro (residual)

🏗️ Arquitetura do Modelo

Estrutura:
• Input Layer: 1 neurônio (Anos de Experiência)
• Output Layer: 1 neurônio (Salário previsto)
• Função de Ativação: Linear (identity)
• Camadas Ocultas: Nenhuma (modelo linear simples)

⚙️ Hiperparâmetros Principais

📊 fit_intercept (True/False)
Determina se o modelo calcula o intercepto (β₀). Default = True.

📊 normalize (True/False)
Normaliza os dados antes da regressão (depreciado no sklearn 1.0+).

📊 copy_X (True/False)
Se True, cria uma cópia dos dados de entrada.

📊 n_jobs (int ou None)
Número de jobs paralelos para computação (-1 usa todos os processadores).

📐 Métricas de Avaliação

R² (Coeficiente de Determinação): Mede quanto o modelo explica a variabilidade dos dados (0 a 1).
MSE (Erro Quadrático Médio): Penaliza erros grandes.
MAE (Erro Absoluto Médio): Mais robusto a outliers.

💡 Interpretação

O modelo encontrará uma reta que minimiza a soma dos quadrados dos resíduos (diferença entre valores reais e previstos).

Coeficiente β₁ positivo: relação positiva (mais experiência = maior salário)
Coeficiente β₁ negativo: relação inversa

# ============================================
# REGRESSÃO LINEAR SIMPLES - EXEMPLO COMPLETO
# ============================================
# Este código demonstra um modelo de regressão linear simples
# para prever salário baseado em anos de experiência

# ===== 1. IMPORTAÇÃO DAS BIBLIOTECAS =====
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# Configurações de visualização
plt.style.use('seaborn-v0_8-darkgrid')
sns.set_palette("husl")
plt.rcParams['figure.figsize'] = (12, 6)

# ===== 2. CRIAÇÃO DO DATASET SIMULADO =====
print("="*50)
print("1. CRIANDO DATASET SIMULADO")
print("="*50)

# Dados simulados: Anos de experiência vs Salário (em R$ mil)
np.random.seed(42)  # Para reprodutibilidade
n_samples = 100
anos_experiencia = np.random.uniform(0, 15, n_samples)

# Relação real: Salário = 30 + 5 * anos_experiencia + ruído
salario_real = 30 + 5 * anos_experiencia + np.random.normal(0, 5, n_samples)

# Criando DataFrame
df = pd.DataFrame({
    'Anos_Experiencia': anos_experiencia,
    'Salario': salario_real
})

print(f"Dataset criado com {len(df)} registros")
print("\nPrimeiros 5 registros:")
print(df.head())

# Estatísticas descritivas
print("\nEstatísticas descritivas:")
print(df.describe())

# ===== 3. VISUALIZAÇÃO DOS DADOS =====
print("\n" + "="*50)
print("2. ANÁLISE EXPLORATÓRIA")
print("="*50)

# Criando figura com subplots
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# Gráfico de dispersão
axes[0].scatter(df['Anos_Experiencia'], df['Salario'], alpha=0.6, edgecolors='black')
axes[0].set_xlabel('Anos de Experiência', fontsize=12)
axes[0].set_ylabel('Salário (R$ mil)', fontsize=12)
axes[0].set_title('Relação entre Anos de Experiência e Salário', fontsize=14)
axes[0].grid(True, alpha=0.3)

# Boxplot
df.boxplot(column='Salario', ax=axes[1])
axes[1].set_title('Distribuição dos Salários', fontsize=14)
axes[1].set_ylabel('Salário (R$ mil)')
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# Histograma
plt.figure(figsize=(10, 5))
plt.hist(df['Salario'], bins=20, edgecolor='black', alpha=0.7)
plt.xlabel('Salário (R$ mil)', fontsize=12)
plt.ylabel('Frequência', fontsize=12)
plt.title('Distribuição dos Salários - Histograma', fontsize=14)
plt.grid(True, alpha=0.3)
plt.show()

# ===== 4. SEPARAÇÃO TREINO/TESTE =====
print("\n" + "="*50)
print("3. SEPARANDO DADOS DE TREINO E TESTE")
print("="*50)

X = df[['Anos_Experiencia']]  # Variável independente (features)
y = df['Salario']              # Variável dependente (target)

# Divisão: 80% treino, 20% teste
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(f"Tamanho do conjunto de treino: {len(X_train)} amostras")
print(f"Tamanho do conjunto de teste: {len(X_test)} amostras")

# ===== 5. CRIAÇÃO E TREINAMENTO DO MODELO =====
print("\n" + "="*50)
print("4. TREINANDO O MODELO")
print("="*50)

# Criando o modelo de regressão linear
# Hiperparâmetros:
# - fit_intercept=True: calcula o intercepto (β₀)
# - copy_X=True: mantém os dados originais
modelo = LinearRegression(fit_intercept=True, copy_X=True)

# Treinando o modelo
modelo.fit(X_train, y_train)

# Obtendo os coeficientes
intercepto = modelo.intercept_
coeficiente = modelo.coef_[0]

print(f"Modelo treinado com sucesso!")
print(f"\nEquação da reta encontrada:")
print(f"Salário = {intercepto:.2f} + {coeficiente:.2f} * Anos_Experiencia")

# ===== 6. AVALIAÇÃO DO MODELO =====
print("\n" + "="*50)
print("5. AVALIANDO O MODELO")
print("="*50)

# Fazendo predições
y_train_pred = modelo.predict(X_train)
y_test_pred = modelo.predict(X_test)

# Métricas para treino
r2_train = r2_score(y_train, y_train_pred)
mse_train = mean_squared_error(y_train, y_train_pred)
mae_train = mean_absolute_error(y_train, y_train_pred)

# Métricas para teste
r2_test = r2_score(y_test, y_test_pred)
mse_test = mean_squared_error(y_test, y_test_pred)
mae_test = mean_absolute_error(y_test, y_test_pred)

print("MÉTRICAS - CONJUNTO DE TREINO:")
print(f"R² (Coeficiente de Determinação): {r2_train:.4f}")
print(f"MSE (Erro Quadrático Médio): {mse_train:.2f}")
print(f"MAE (Erro Absoluto Médio): {mae_train:.2f}")

print("\nMÉTRICAS - CONJUNTO DE TESTE:")
print(f"R² (Coeficiente de Determinação): {r2_test:.4f}")
print(f"MSE (Erro Quadrático Médio): {mse_test:.2f}")
print(f"MAE (Erro Absoluto Médio): {mae_test:.2f}")

# ===== 7. VISUALIZAÇÃO DOS RESULTADOS =====
print("\n" + "="*50)
print("6. VISUALIZANDO RESULTADOS")
print("="*50)

# Gráfico da regressão
plt.figure(figsize=(12, 6))

# Dados de treino
plt.scatter(X_train, y_train, alpha=0.6, label='Treino', color='blue')
# Dados de teste
plt.scatter(X_test, y_test, alpha=0.6, label='Teste', color='green')

# Linha de regressão
X_range = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)
y_range_pred = modelo.predict(X_range)
plt.plot(X_range, y_range_pred, 'r-', linewidth=2, label='Regressão Linear')

plt.xlabel('Anos de Experiência', fontsize=12)
plt.ylabel('Salário (R$ mil)', fontsize=12)
plt.title('Regressão Linear: Anos de Experiência vs Salário', fontsize=14)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# Gráfico de resíduos
residuos = y_test - y_test_pred
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
plt.scatter(y_test_pred, residuos, alpha=0.6, edgecolors='black')
plt.axhline(y=0, color='r', linestyle='--', linewidth=2)
plt.xlabel('Valores Previstos (R$ mil)', fontsize=12)
plt.ylabel('Resíduos (R$ mil)', fontsize=12)
plt.title('Análise de Resíduos', fontsize=14)
plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)
plt.hist(residuos, bins=15, edgecolor='black', alpha=0.7)
plt.xlabel('Resíduos (R$ mil)', fontsize=12)
plt.ylabel('Frequência', fontsize=12)
plt.title('Distribuição dos Resíduos', fontsize=14)
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ===== 8. FAZENDO PREDIÇÕES =====
print("\n" + "="*50)
print("7. FAZENDO PREDIÇÕES")
print("="*50)

# Exemplos de predição
experiencias_teste = [2, 5, 8, 10, 12]
print("Previsões de salário para novos candidatos:")
print("-" * 50)
for exp in experiencias_teste:
    salario_previsto = modelo.predict([[exp]])[0]
    print(f"Candidato com {exp} anos de experiência: "
          f"Salário previsto = R$ {salario_previsto:.2f} mil")

# ===== 9. COMPARAÇÃO COM VALORES REAIS =====
print("\n" + "="*50)
print("8. COMPARAÇÃO PREVISÃO vs REAL (Teste)")
print("="*50)

comparacao = pd.DataFrame({
    'Anos_Experiencia': X_test.values.flatten(),
    'Salário_Real': y_test.values,
    'Salário_Previsto': y_test_pred,
    'Erro_Absoluto': np.abs(y_test.values - y_test_pred)
})

print("\nPrimeiras 10 comparações:")
print(comparacao.head(10).round(2))

# ===== 10. ANÁLISE FINAL =====
print("\n" + "="*50)
print("9. ANÁLISE FINAL E INTERPRETAÇÃO")
print("="*50)

print(f"\n📊 Interpretação dos Coeficientes:")
print(f"• Intercepto (β₀ = {intercepto:.2f}): "
      f"Salário base para um funcionário sem experiência")
print(f"• Coeficiente (β₁ = {coeficiente:.2f}): "
      f"A cada ano adicional de experiência, o salário aumenta em R$ {coeficiente:.2f} mil")

print(f"\n📈 Qualidade do Modelo:")
print(f"• O modelo explica {r2_test*100:.1f}% da variabilidade dos salários")
if r2_test > 0.8:
    print("• ✅ Excelente ajuste! O modelo capturou bem a relação linear")
elif r2_test > 0.6:
    print("• 👍 Bom ajuste! O modelo explica razoavelmente os dados")
else:
    print("• ⚠️ Ajuste moderado. Considere adicionar mais features")

print(f"\n💡 Conclusão:")
print(f"O modelo encontrou uma relação {'positiva' if coeficiente > 0 else 'negativa'} "
      f"entre anos de experiência e salário, como esperado.")

# Salvando o modelo (opcional)
import joblib
joblib.dump(modelo, 'modelo_regressao_linear.pkl')
print("\n✅ Modelo salvo como 'modelo_regressao_linear.pkl'")

print("\n" + "="*50)
print("🎉 EXEMPLO CONCLUÍDO COM SUCESSO!")
print("="*50)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

# ============================================

# REGRESSÃO LINEAR SIMPLES - EXEMPLO COMPLETO

# ============================================

# Este código demonstra um modelo de regressão linear simples

# para prever salário baseado em anos de experiência

# ===== 1. IMPORTAÇÃO DAS BIBLIOTECAS =====

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# Configurações de visualização

plt.style.use('seaborn-v0_8-darkgrid')

sns.set_palette("husl")

plt.rcParams['figure.figsize'] = (12, 6)

# ===== 2. CRIAÇÃO DO DATASET SIMULADO =====

print("="*50)

print("1. CRIANDO DATASET SIMULADO")

print("="*50)

# Dados simulados: Anos de experiência vs Salário (em R$ mil)

np.random.seed(42) # Para reprodutibilidade

n_samples = 100

anos_experiencia = np.random.uniform(0, 15, n_samples)

# Relação real: Salário = 30 + 5 * anos_experiencia + ruído

salario_real = 30 + 5 * anos_experiencia + np.random.normal(0, 5, n_samples)

# Criando DataFrame

df = pd.DataFrame({

'Anos_Experiencia': anos_experiencia,

'Salario': salario_real

})

print(f"Dataset criado com {len(df)} registros")

print("\nPrimeiros 5 registros:")

print(df.head())

# Estatísticas descritivas

print("\nEstatísticas descritivas:")

print(df.describe())

# ===== 3. VISUALIZAÇÃO DOS DADOS =====

print("\n" + "="*50)

print("2. ANÁLISE EXPLORATÓRIA")

print("="*50)

# Criando figura com subplots

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# Gráfico de dispersão

axes[0].scatter(df['Anos_Experiencia'], df['Salario'], alpha=0.6, edgecolors='black')

axes[0].set_xlabel('Anos de Experiência', fontsize=12)

axes[0].set_ylabel('Salário (R$ mil)', fontsize=12)

axes[0].set_title('Relação entre Anos de Experiência e Salário', fontsize=14)

axes[0].grid(True, alpha=0.3)

# Boxplot

df.boxplot(column='Salario', ax=axes[1])

axes[1].set_title('Distribuição dos Salários', fontsize=14)

axes[1].set_ylabel('Salário (R$ mil)')

axes[1].grid(True, alpha=0.3)

plt.tight_layout()

plt.show()

# Histograma

plt.figure(figsize=(10, 5))

plt.hist(df['Salario'], bins=20, edgecolor='black', alpha=0.7)

plt.xlabel('Salário (R$ mil)', fontsize=12)

plt.ylabel('Frequência', fontsize=12)

plt.title('Distribuição dos Salários - Histograma', fontsize=14)

plt.grid(True, alpha=0.3)

plt.show()

# ===== 4. SEPARAÇÃO TREINO/TESTE =====

print("\n" + "="*50)

print("3. SEPARANDO DADOS DE TREINO E TESTE")

print("="*50)

X = df[['Anos_Experiencia']] # Variável independente (features)

y = df['Salario'] # Variável dependente (target)

# Divisão: 80% treino, 20% teste

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size=0.2, random_state=42

)

print(f"Tamanho do conjunto de treino: {len(X_train)} amostras")

print(f"Tamanho do conjunto de teste: {len(X_test)} amostras")

# ===== 5. CRIAÇÃO E TREINAMENTO DO MODELO =====

print("\n" + "="*50)

print("4. TREINANDO O MODELO")

print("="*50)

# Criando o modelo de regressão linear

# Hiperparâmetros:

# - fit_intercept=True: calcula o intercepto (β₀)

# - copy_X=True: mantém os dados originais

modelo = LinearRegression(fit_intercept=True, copy_X=True)

# Treinando o modelo

modelo.fit(X_train, y_train)

# Obtendo os coeficientes

intercepto = modelo.intercept_

coeficiente = modelo.coef_[0]

print(f"Modelo treinado com sucesso!")

print(f"\nEquação da reta encontrada:")

print(f"Salário = {intercepto:.2f} + {coeficiente:.2f} * Anos_Experiencia")

# ===== 6. AVALIAÇÃO DO MODELO =====

print("\n" + "="*50)

print("5. AVALIANDO O MODELO")

print("="*50)

# Fazendo predições

y_train_pred = modelo.predict(X_train)

y_test_pred = modelo.predict(X_test)

# Métricas para treino

r2_train = r2_score(y_train, y_train_pred)

mse_train = mean_squared_error(y_train, y_train_pred)

mae_train = mean_absolute_error(y_train, y_train_pred)

# Métricas para teste

r2_test = r2_score(y_test, y_test_pred)

mse_test = mean_squared_error(y_test, y_test_pred)

mae_test = mean_absolute_error(y_test, y_test_pred)

print("MÉTRICAS - CONJUNTO DE TREINO:")

print(f"R² (Coeficiente de Determinação): {r2_train:.4f}")

print(f"MSE (Erro Quadrático Médio): {mse_train:.2f}")

print(f"MAE (Erro Absoluto Médio): {mae_train:.2f}")

print("\nMÉTRICAS - CONJUNTO DE TESTE:")

print(f"R² (Coeficiente de Determinação): {r2_test:.4f}")

print(f"MSE (Erro Quadrático Médio): {mse_test:.2f}")

print(f"MAE (Erro Absoluto Médio): {mae_test:.2f}")

# ===== 7. VISUALIZAÇÃO DOS RESULTADOS =====

print("\n" + "="*50)

print("6. VISUALIZANDO RESULTADOS")

print("="*50)

# Gráfico da regressão

plt.figure(figsize=(12, 6))

# Dados de treino

plt.scatter(X_train, y_train, alpha=0.6, label='Treino', color='blue')

# Dados de teste

plt.scatter(X_test, y_test, alpha=0.6, label='Teste', color='green')

# Linha de regressão

X_range = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)

y_range_pred = modelo.predict(X_range)

plt.plot(X_range, y_range_pred, 'r-', linewidth=2, label='Regressão Linear')

plt.xlabel('Anos de Experiência', fontsize=12)

plt.ylabel('Salário (R$ mil)', fontsize=12)

plt.title('Regressão Linear: Anos de Experiência vs Salário', fontsize=14)

plt.legend()

plt.grid(True, alpha=0.3)

plt.show()

# Gráfico de resíduos

residuos = y_test - y_test_pred

plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)

plt.scatter(y_test_pred, residuos, alpha=0.6, edgecolors='black')

plt.axhline(y=0, color='r', linestyle='--', linewidth=2)

plt.xlabel('Valores Previstos (R$ mil)', fontsize=12)

plt.ylabel('Resíduos (R$ mil)', fontsize=12)

plt.title('Análise de Resíduos', fontsize=14)

plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)

plt.hist(residuos, bins=15, edgecolor='black', alpha=0.7)

plt.xlabel('Resíduos (R$ mil)', fontsize=12)

plt.ylabel('Frequência', fontsize=12)

plt.title('Distribuição dos Resíduos', fontsize=14)

plt.grid(True, alpha=0.3)

plt.tight_layout()

plt.show()

# ===== 8. FAZENDO PREDIÇÕES =====

print("\n" + "="*50)

print("7. FAZENDO PREDIÇÕES")

print("="*50)

# Exemplos de predição

experiencias_teste = [2, 5, 8, 10, 12]

print("Previsões de salário para novos candidatos:")

print("-" * 50)

for exp in experiencias_teste:

salario_previsto = modelo.predict([[exp]])[0]

print(f"Candidato com {exp} anos de experiência: "

f"Salário previsto = R$ {salario_previsto:.2f} mil")

# ===== 9. COMPARAÇÃO COM VALORES REAIS =====

print("\n" + "="*50)

print("8. COMPARAÇÃO PREVISÃO vs REAL (Teste)")

print("="*50)

comparacao = pd.DataFrame({

'Anos_Experiencia': X_test.values.flatten(),

'Salário_Real': y_test.values,

'Salário_Previsto': y_test_pred,

'Erro_Absoluto': np.abs(y_test.values - y_test_pred)

})

print("\nPrimeiras 10 comparações:")

print(comparacao.head(10).round(2))

# ===== 10. ANÁLISE FINAL =====

print("\n" + "="*50)

print("9. ANÁLISE FINAL E INTERPRETAÇÃO")

print("="*50)

print(f"\n📊 Interpretação dos Coeficientes:")

print(f"• Intercepto (β₀ = {intercepto:.2f}): "

f"Salário base para um funcionário sem experiência")

print(f"• Coeficiente (β₁ = {coeficiente:.2f}): "

f"A cada ano adicional de experiência, o salário aumenta em R$ {coeficiente:.2f} mil")

print(f"\n📈 Qualidade do Modelo:")

print(f"• O modelo explica {r2_test*100:.1f}% da variabilidade dos salários")

if r2_test > 0.8:

print("• ✅ Excelente ajuste! O modelo capturou bem a relação linear")

elif r2_test > 0.6:

print("• 👍 Bom ajuste! O modelo explica razoavelmente os dados")

else:

print("• ⚠️ Ajuste moderado. Considere adicionar mais features")

print(f"\n💡 Conclusão:")

print(f"O modelo encontrou uma relação {'positiva' if coeficiente > 0 else 'negativa'} "

Perceptron Multicamadas – MLP/FNN

a arquitetura mais fundamental do deep learning

como os dados fluem pela rede

aprendendo com retropropagação

camadas ocultas e capacidade de representação

aplicações e limitações do mlp

Linear Simples ou Univariada

a relação entre duas variáveis

encontrando a linha de melhor ajuste

interpretando os coeficientes

avaliando a qualidade do modelo

aplicações práticas no cotidiano

Problema: Previsão de Salário com base em Anos de Experiência

O que é Regressão Linear Simples?

🏗️ Arquitetura do Modelo

⚙️ Hiperparâmetros Principais

📐 Métricas de Avaliação

💡 Interpretação