Curso: Ciência de Dados - Do Zero a Iniciante - 14. Aula 14 - Tarefa de Regressão

---------------------------------------------------------------------------------------------------------------------- ⇒Aprofunde seus conhecimentos em estatística e ciência de dados com meu livro: •https://maironchaves.manus.space/ ⇒Podcast de apresentação do livro: •https://www.youtube.com/watch?v=8QoNOpgDWqY ---------------------------------------------------------------------------------------------------------------------- 📊 Resumo do Vídeo: "Curso Ciência de Dados - Do Zero ao Iniciante (Aula 14: Tarefa de Regressão)" No vídeo, StatiR explica o conceito de regressão, uma das tarefas mais comuns em Machine Learning. A aula aborda como prever variáveis numéricas a partir de variáveis preditoras, com exemplos práticos e discussões sobre correlação e causalidade. 🔍 1. O que é Regressão? Definição: Regressão é uma tarefa de Machine Learning que busca prever valores numéricos. Exemplo: Prever volume de vendas, preço de imóveis ou consumo de energia. Diferença de Classificação: Na classificação, a variável alvo (Y) é categórica (ex.: "sim" ou "não"). Na regressão, a variável alvo (Y) é numérica e contínua. 📈 2. Exemplos de Uso Uber e Tarifas Dinâmicas: Algoritmos de regressão são usados para ajustar preços com base em condições como trânsito e demanda. Dataset de Árvores: Um exemplo apresentado usa as variáveis circunferência e altura para prever o volume de árvores. 🛠️ 3. Gráficos de Dispersão Mostram a relação entre duas variáveis. Exemplo: Eixo X: Circunferência da árvore. Eixo Y: Volume da árvore. Observação: Quanto maior a circunferência, maior o volume. 🔢 4. Correlação Definição: Mede a força da relação linear entre duas variáveis. Varia de -1 (correlação negativa perfeita) a +1 (correlação positiva perfeita). 0 indica nenhuma relação linear. Exemplo: Correlação entre circunferência e volume: 0.96 (forte correlação positiva). Correlação entre altura e volume: Menor, mas ainda positiva. Correlação x Causalidade: Correlação indica apenas um padrão, mas não significa que uma variável causa a outra. Exemplo curioso: Mortes por afogamento correlacionadas com lançamentos de filmes do Nicolas Cage. 🌟 5. Importância da Regressão Útil em problemas como: Prever vendas futuras. Estimar volumes de produção. Analisar comportamento de clientes. ⚖️ 6. Considerações Finais Antes de treinar modelos de regressão: Analise gráficos de dispersão para entender a relação entre as variáveis. Verifique a correlação entre as variáveis preditoras e a variável alvo. Nota: Se as variáveis preditoras não tiverem correlação com a variável alvo, o modelo terá dificuldades para gerar previsões úteis.