Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/jessicahora/analise_preditiva_diamond_price

Estudo de caso de Analise preditiva de preços de diamantes. Esse repositório contem estudo sobre Machine Learning e Redes Neurais.
https://github.com/jessicahora/analise_preditiva_diamond_price

Last synced: 7 days ago
JSON representation

Estudo de caso de Analise preditiva de preços de diamantes. Esse repositório contem estudo sobre Machine Learning e Redes Neurais.

Awesome Lists containing this project

README 

        
# Analise Preditiva de Preços de diamantes



## Problema do Projeto a ser resolvido: 



- Ser capaz de prever o preço que o mercado pagará pelos diamantes com precisão.



## Metadados dos dados:



- Número de atributos : 10

- Informações sobre o recurso : Um DataFrame com 53.940 linhas e 10 variáveis:



- price: Preço em dólares americanos

- carat:Peso do diamante

- cut: Qualidade do corte (razoável, boa, muito boa, premium, ideal)

- color: Cor do diamante, de J (pior) a D (melhor)

- clarity: Uma medida de quão claro o diamante é (I1 (pior), SI2, SI1, VS2, VS1, VVS2, VVS1, IF (melhor))

- x: Comprimento em mm

- y: Largura em mm

- z: Profundidade em mm

- depth: Porcentagem de profundidade total = z / média(x, y) = 2 * z / (x + y)

- table: Largura do topo do diamante em relação ao ponto mais largo



  ## Objetivos gerais do projeto:

  

 -  Construir um modelo preditivo que preveja o preço dos diamantes, com a maior precisão possível, com base nessas características.

 -  Prever os preços dos diamantes oferecidos pelos produtores, para que possa ser decidir quanto pagar por esses diamantes.

 -  construir um modelo de regressão tendo como alvo o preço do diamante .



## Ferramentas Usadas

 Este projeto foi desenvolvido usando Python,NumPy, pandas, matplotlib, Seaborn e scikit-learn, Keras, tensorflow.



## Métricas para avaliação do modelo:

 - Se as previsões estiverem próximas dos valores reais, isso é considerado bom.

 - Por outro lado, se a previsão estiver muito distante do valor real, isso não é bom.



## Resultados do EDA:



- À medida que os preços aumentam, observamos menos diamantes em nossa amostra.

- Há grande variabilidade nos preços dos diamantes; de fato, os preços variam de US$ 326 a US$ 18.823.

- Essa alta variabilidade dos preços se reflete em um desvio padrão de US$ 4.000.

- Devido à alta variabilidade de preços e à longa cauda da distribuição, não existe um preço típico para um diamante.

- Cerca de 25% dos preços estão abaixo de US$ 950 (aproximadamente).

- Para um diamante que não seja nem muito barato nem muito caro, a faixa de preço fica entre US$ 950 e US$ 5.300.

- Metade dos preços dos diamantes está abaixo de US$ 2.401.

- A distribuição de preços é enviesada para a direita e isso terá implicações para a modelagem.

## Resultado dos Modelos de ML:



![image](https://github.com/JessicaHora/Analise_preditiva_diamond_price/blob/main/Modelo%20ML.png)



O Modelo KNN foi o melhor modelo pois tem o Melhor MSE( Erro quadrático Médio )



## Previsões e preços reais produzido pelos Modelos:



![image](https://github.com/JessicaHora/Analise_preditiva_diamond_price/blob/main/previsaodePrice.png)



## Redes Neurais:



Um Modelo de Redes Neurais- Os MLPs foi desenvolvido com o objetivo de resolver problemas de Análise preditiva, com o objetivo de obter um modelo mais preciso possível nas Previsões.



### Parâmetros utilizados:



- units:Este é o número de neurônios na camada, usei 32.

- activation:Esta é a função de ativação que será usada em cada um dos neurônios, foi utilizado o ReLU.

- input_shape: Este é o número de entradas que a rede receberá, que é igual ao número de recursos preditivos no conjunto de dados.



  O modelo atingiu uma acurácia de 93%