[ML] Regressão Linear Consumo de Cerveja

Prevendo o Consumo de Cerveja com Regressão Linear: Uma Aplicação Prática em São Paulo

Link do projeto: github

Código documentado: link

Neste projeto, exploramos uma aplicação real de Machine Learning utilizando a técnica de Regressão Linear para prever o consumo de cerveja com base em variáveis climáticas e temporais. O objetivo é construir um modelo preditivo capaz de estimar o volume médio de cerveja consumido em determinado dia, considerando fatores como temperatura, precipitação e se é final de semana.

Os dados utilizados foram coletados em São Paulo, mais especificamente em uma área universitária, onde o público jovem tende a apresentar hábitos de consumo bastante influenciados por clima e calendário. A base de dados inclui as seguintes variáveis:

• Temperatura média, mínima e máxima (°C)

• Chuva (mm)

• Indicador de final de semana (1 para sim, 0 para não)

• Consumo de cerveja (em litros), que é a variável-alvo

Juntamente a análise exploratória, seguimos com gráficos para detalhar o conjunto de dados, como distribuições de frequência e a matriz de correlação entre as variáveis — um passo essencial para entender quais fatores têm maior relação com o consumo de cerveja.

Em seguida, treinamos o modelo. A escolha por esse tipo de modelo se justifica por sua simplicidade, interpretabilidade e bom desempenho em relações lineares entre variáveis. O modelo é então avaliado com métricas estatísticas como:

• MAE (Erro Absoluto Médio)

• MSE (Erro Quadrático Médio)

• RMSE (Raiz do Erro Quadrático Médio)

Os resultados mostram que o modelo foi capaz de capturar de forma razoável o padrão de consumo com base nos dados fornecidos. Fatores como temperatura e finais de semana aparecem como variáveis significativamente correlacionadas com o aumento no consumo.

Este projeto uma prática de técnicas de aprendizado de máquina e mostra como podem ser aplicadas em problemas cotidianos e de negócios.