Machine Learning para Predisão - Regressão - Precificação

  Machine Learning para Predisão - Regressão 

Videoaulas:

https://youtu.be/ezt10vjCWE8

https://youtu.be/6F8bK93AxyM

https://youtu.be/uYhF1yQLsJ8

Apostila em pdf:

http://walderson.com/site/wp-content/uploads/2017/02/WEKA.Pratica-1.pdf

Machine Learning Supervicionado para Regressão - Precificação - Weka - SAS - Excel

Dados da Apostila:

 

 

Tam. Casa	Tam. Lote	Quartos	Granito	Banh. Ref	Preço
3529	9191	6	0	0	205000
3247	10061	5	1	1	224900
4032	10150	5	0	1	197900
2397	14156	4	1	0	189900
2200	9600	4	0	1	195000
3536	19994	6	1	1	325000
2983	9365	5	0	1	230000

 

Programa SAS (Estatistica Tradicional e Moderna-Robusta)

data casa;

input Tam_Casa Tam_Lot Quartos Granito Banheiro Valor Valor_Aj;

cards;

3529 9191 6 0 0 205 205000

3247 10061 5 1 1 224.9 224900

4032 10150 5 0 1 197.9 197900

2397 14156 4 1 0 189.9 189900

2200 9600 4 0 1 195 195000

3536 19994 6 1 1 325 325000

2983 9365 5 0 1 230 230000

;

proc print;

run;

proc reg;

model Valor_Aj = Tam_Casa Tam_Lot Quartos Granito Banheiro;

run;

proc robustreg;

model Valor_Aj = Tam_Casa Tam_Lot Quartos Granito Banheiro;

run;

Saida do Excel para Regressão Multipla Tradicional

Programa do Weka

Arquivo Weka com Dados Simulados Computacionalmente - Aplificar Tamanaho da Amostra (Monte Carlo - Bootstraping - 

Jackknife etc.)

Para Weka não acusar Erro, por poucas linhas no arquivo de dados

@RELATION Precifica

@ATTRIBUTE Tam_Cas REAL

@ATTRIBUTE Tam_Terre REAL

@ATTRIBUTE Quartos REAL

@ATTRIBUTE Granito REAL

@ATTRIBUTE Banh_Refor REAL

@ATTRIBUTE Preco REAL

@DATA

3529,9191,6,0,0,205

3247,10061,5,1,1,224.9

4032,10150,5,0,1,197.9

2397,14156,4,1,0,189.9

2200,9600,4,0,1,195

3536,19994,6,1,1,325

2983,9365,5,0,1,230

3388,9626,6,0,0,214.95

3639.5,10105.5,5,1,1,211.4

3214.5,12153,5,0,1,193.9

2298.5,11878,4,1,0,192.45

2868,14797,4,0,1,260

3259.5,14679.5,6,1,1,277.5

Exemplo na área Económica para utilizar Machine Learning Supervisionado para Regressão - Previsão, rode o exemplo no Weka. Rode também o exemplo no SAS e Excel (Utilizando Macro de Regressão). Interprete os resultados.

Dead Line: 15/12/2020

Exemplo Criado en Sala de Aulas para o Exercicio 9:

@RELATION cat

@ATTRIBUTE receita REAL

@ATTRIBUTE custo REAL

@ATTRIBUTE nps REAL

@ATTRIBUTE inovacao REAL

@ATTRIBUTE reclam REAL

@ATTRIBUTE categ {B,R,MB}

@DATA  

5,2,4,5,3,B

3,4,5,4,5,B

4,3,4.5,4.5,4,B

2,2,1,3,1,R

3,2,2,2,5,R

2.5,2,1.5,2.5,3,R

5,4,5,5,5,MB

4,3,5,5,4,MB

4.5,3.5,5,5,4.5,MB

5,2,4,5,3,B

3,4,5,4,5,B

4,3,4.5,4.5,4,B

2,2,1,3,1,R

3,2,2,2,5,R

2.5,2,1.5,2.5,3,R

5,4,5,5,5,MB

4,3,5,5,4,MB

4.5,3.5,5,5,4.5,MB

Modificação do Exercício 9 para ser um exemplo do Exercício 10

 

@RELATION cat

 

@ATTRIBUTE receita REAL

@ATTRIBUTE custo REAL

@ATTRIBUTE nps REAL

@ATTRIBUTE inovacao REAL

@ATTRIBUTE reclam REAL

@ATTRIBUTE categ REAL

 

@DATA  

 

 

5,2,4,5,3,2

3,4,5,4,5,2

4,3,4.5,4.5,4,2

2,2,1,3,1,1

3,2,2,2,5,1

2.5,2,1.5,2.5,3,1

5,4,5,5,5,3

4,3,5,5,4,3

4.5,3.5,5,5,4.5,3

5,2,4,5,3,2

3,4,5,4,5,2

4,3,4.5,4.5,4,2

2,2,1,3,1,1

3,2,2,2,5,1

2.5,2,1.5,2.5,3,1

5,4,5,5,5,3

4,3,5,5,4,3

4.5,3.5,5,5,4.5,3

 

 

 Modelo Estimado (Inferencia Indutiva), ML Supervicionaldo para Regressão - Prev.

 categ =

 

      0.3097 * receita +

      0.3456 * custo +

      0.2356 * nps +

     -0.1363 * reclam è Trabalhando Mal +

     -0.4559