Projeto de Previsão de Precipitação 🌧️

Este é um projeto simples de previsão de precipitação usando um modelo de regressão linear. O objetivo é demonstrar como utilizar o scikit-learn (sklearn) para criar um modelo básico e visualizar os resultados.

Conteúdo 📂

1. Estrutura do Projeto

   • A.I Previsão de Chuvas.ipynb: Jupyter Notebook contendo o código Python.
   • INMET_CO_GO_A035_ITUMBIARA_01-01-2023_A_31-12-2023.CSV e MEDIA_MENSAL_2023_ITUMBIARA : Conjunto de dados de exemplo com informações sobre o mês e a precipitação.

2. Como Executar o Projeto ▶️

   • Clone o repositório para sua máquina local.
   • Abra o notebook A.I Previsão de Chuvas.ipynb em um ambiente Jupyter.
   • Execute as células do notebook sequencialmente.

3. Pré-requisitos 🛠️

   • Python 3.x
   • Bibliotecas Python: pandas, scikit-learn, matplotlib

Você pode instalar as bibliotecas necessárias executando o seguinte comando no terminal:

pip install pandas scikit-learn matplotlib

4. Entendendo o Projeto 🤓

   • Conceitos Importantes 🧠:

     • Regressão Linear: Modelagem da relação linear entre variáveis.
     • sklearn: Biblioteca de aprendizado de máquina em Python.
     • Matplotlib: Biblioteca para criação de gráficos.

   • Passos Principais 📝:

     • Carregamento e análise dos dados.
     • Divisão dos dados em treino e teste.
     • Criação e treinamento do modelo de regressão linear.
     • Avaliação do desempenho do modelo.

   • Aviso ⚠️:

     • Este é um projeto simples e os resultados podem não ser altamente precisos, pois o foco é na demonstração dos conceitos.

5. Visualização do Resultado 📊

   • No final do notebook, há um código para gerar um gráfico de dispersão mostrando os pontos reais e a linha de regressão linear.

    import matplotlib.pyplot as plt


    # Exibir o gráfico
    plt.scatter(X_test, y_test, color='black', label='Real')
    plt.plot(X_test, previsoes, color='blue', linewidth=3, label='Regressão Linear')
    plt.xlabel('Mês')
    plt.ylabel('Precipitação (mm)')
    plt.title('Regressão Linear - Previsão de Precipitação')
    plt.legend()
    plt.savefig('grafico_regressao_linear.png')  # Salvar o gráfico como imagem
    plt.show()

6. Visualização do Gráfico 📈

   

7. Entendendo o Gráfico 📊

   • O gráfico gerado visualiza a relação entre o mês (variável preditora) e a precipitação (variável de resposta). Aqui estão alguns pontos importantes sobre o gráfico:

   • Pontos Pretos (Real): Cada ponto representa um par de valores no conjunto de teste. A coordenada x do ponto é o mês correspondente, e a coordenada y é a precipitação real para esse mês.

   • Linha Azul (Regressão Linear): A linha de regressão linear é ajustada pelo modelo. Ela representa a melhor estimativa da relação linear entre o mês e a precipitação com base nos dados de treinamento.

   • Eixos X e Y: O eixo X representa os meses do ano (de 1 a 12), enquanto o eixo Y representa a quantidade de precipitação em milímetros.

   • O gráfico proporciona uma visão visual de como o modelo se ajusta aos dados. Se a linha de regressão estiver alinhada com os pontos reais, sugere que o modelo está fazendo boas previsões. Caso contrário, pode indicar que o modelo não está se ajustando bem aos dados. A análise visual é complementada por métricas quantitativas como o MSE e RMSE, que fornecem uma avaliação mais detalhada do desempenho do modelo.

8. Resultados do Modelo 📊

   Após treinar o modelo de regressão linear, obtenha os seguintes resultados:

print("Coeficiente de Regressão:", modelo.coef_[0]) # Coeficiente de Regressão: -0.03401075900496597
print("Intercepto:", modelo.intercept_) # Intercepto: 0.3183446041252269
print("Erro Quadrático Médio (MSE):", mse) # Erro Quadrático Médio (MSE): 0.05160596256947119
print("Raiz do Erro Quadrático Médio (RMSE):", rmse) # Raiz do Erro Quadrático Médio (RMSE): 0.2271694578271278

• Coeficiente de Regressão (modelo.coef_[0]): O coeficiente de regressão é aproximadamente -0.034. Isso significa que, em média, espera-se uma diminuição de 0.034 mm na precipitação para cada aumento de um mês.

• Intercepto (modelo.intercept_): O intercepto é cerca de 0.318. Representa o valor esperado da precipitação quando o mês é zero. No contexto deste projeto, a interpretação direta pode não ser relevante, pois o mês zero não existe.

• Erro Quadrático Médio (MSE): O MSE é 0.0516, representando a média dos quadrados das diferenças entre as precipitações reais e as previstas. Quanto menor, melhor é o desempenho do modelo.

• Raiz do Erro Quadrático Médio (RMSE): O RMSE, calculado como a raiz quadrada do MSE, é aproximadamente 0.227. Ele fornece uma interpretação mais intuitiva dos erros do modelo. Neste contexto, indica que, em média, a precipitação real pode variar cerca de 0.227 mm das previsões.

9. Observações Finais 🌟

• Este projeto serve como uma introdução simples à construção de modelos de previsão usando regressão linear. Experimente e adapte conforme necessário, explorando modelos mais avançados e técnicas para aprimorar suas habilidades em aprendizado de máquina.