O problema#
Estimar valores de imóveis a partir de características do California Housing Dataset e entender como essas características se relacionam com o preço. É um projeto de estudo de machine learning, não uma ferramenta de avaliação imobiliária para uso comercial.
Como funciona#
- Python e scikit-learn para carregar os dados e separar treino e teste.
- Regressão linear como modelo inicial; Ridge, validação cruzada e
GridSearchCVna versão ampliada. - RMSE para avaliar as previsões no conjunto de teste.
- Matplotlib e Seaborn para visualizar características dos dados e comparar valores reais com previstos.
Como executar#
Com Python 3.9 ou superior (para as dependências fixadas no repositório), em um ambiente virtual:
git clone https://github.com/rogeriojunior31/house_price_predictor.git
cd house_price_predictor
python -m venv .venv
# Linux/macOS; no Windows, use .venv\Scripts\activate
source .venv/bin/activate
pip install -r requirements.txt
python main.pyA execução apresenta o RMSE e gráficos de análise. O carregamento inicial do dataset pode precisar de acesso à internet. Os resultados dependem da execução; não há aqui uma métrica publicada que permita afirmar desempenho em dados de outros mercados.