14. Aula 14 - Tarefa de Regressão

📊 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.