https://github.com/sarah-ribeiro/linear_regression_data_science_ml_ia
This project uses scikit-learn for linear regression analysis. With a dataset, we compare variables using functions like LinearRegression(). Guided by curiosity and machine learning, we seek patterns and correlations, inching closer to unraveling the data's secrets.
https://github.com/sarah-ribeiro/linear_regression_data_science_ml_ia
artificial-intelligence jupyter-notebook machine-learning matplotlib matplotlib-pyplot pandas python sckit-learn
Last synced: 14 days ago
JSON representation
This project uses scikit-learn for linear regression analysis. With a dataset, we compare variables using functions like LinearRegression(). Guided by curiosity and machine learning, we seek patterns and correlations, inching closer to unraveling the data's secrets.
- Host: GitHub
- URL: https://github.com/sarah-ribeiro/linear_regression_data_science_ml_ia
- Owner: Sarah-Ribeiro
- Created: 2024-05-26T17:16:12.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2024-05-27T21:56:48.000Z (about 1 year ago)
- Last Synced: 2024-05-28T07:55:37.311Z (about 1 year ago)
- Topics: artificial-intelligence, jupyter-notebook, machine-learning, matplotlib, matplotlib-pyplot, pandas, python, sckit-learn
- Language: Jupyter Notebook
- Homepage:
- Size: 102 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
Linear Regression Data Science ML / IA
Sarah Ribeiro da Silva - RM 97747
Neste projeto, embarcamos em uma jornada fascinante para explorar os domínios da regressão linear utilizando as poderosas ferramentas fornecidas pelo scikit-learn, uma biblioteca amplamente valorizada por entusiastas de inteligência artificial e aprendizado de máquina. Com um conjunto de dados repleto de potenciais insights, nos aprofundamos na tarefa de comparar duas variáveis essenciais.
Utilizando funções robustas como `LinearRegression()` e `train_test_split()`, conduzimos uma análise de dados meticulosa, buscando padrões e correlações que pudessem iluminar nosso entendimento. A cada iteração, nos aproximamos mais de desvendar os segredos escondidos dentro dos dados, guiados pela curiosidade e pela precisão dos algoritmos de aprendizado de máquina.
Ao analisar o gráfico gerado, é possível perceber uma distinção significativa entre idade e índice de massa corporal (IMC). A linha de regressão, que cruza o gráfico, demonstra a relação entre essas duas variáveis. No entanto, essa relação é fraca, indicando que a maioria das pessoas possui um IMC acima ou abaixo do padrão recomendado para suas respectivas idades. Apenas uma minoria se encontra dentro da faixa considerada ideal. Esta análise sugere que há uma variação considerável no IMC em relação à idade, destacando a necessidade de mais investigações sobre os fatores que influenciam essa discrepância.
Project Screenshots:
💻 Built with
Technologies used in the project:
* Sckit-learn
* pandas
* python
* matplotlib
* Jupyter Notebook