2. Regressão
Entrega 2 de 3 do Projeto
Esta entrega é uma escolha
A equipe entrega classificação ou regressão, não as duas. Se a escolha foi a outra, apague esta pasta e a linha correspondente na nav do mkdocs.yml.
O dataset e as decisões da equipe ficam na página do projeto. As duas primeiras seções abaixo são exigidas pelo enunciado, mas o EDA já as respondeu em profundidade: resuma e aponte para lá, em vez de refazer a análise.
1. Escolha do dataset
Nome, URL da fonte, dimensões e por que ele sustenta uma tarefa de regressão não trivial.
2. Descrição do dataset
Features, variável alvo, contexto do domínio e os problemas herdados do EDA que esta entrega precisa resolver.
3. Limpeza e normalização
Execute o plano de pré-processamento definido no EDA e relate o que mudou em relação ao planejado — e por quê.
Escala do alvo
Se o alvo foi transformado (log, Box-Cox, padronização), a inversão precisa ser aplicada antes de calcular as métricas da seção 8 — senão os números não são interpretáveis no domínio.
4. Implementação da MLP
Arquitetura, funções de ativação, função de perda e otimizador, com a justificativa de cada escolha. Uma tabela de hiperparâmetros não explica nada sozinha.
flowchart LR
x["Entrada<br/>(n features)"] --> h1["Oculta 1<br/>ReLU"]
h1 --> h2["Oculta 2<br/>ReLU"]
h2 --> out["Saída"]| Escolha | Por quê | |
|---|---|---|
| Camadas ocultas | ||
| Ativação | ||
| Função de perda | ||
| Otimizador | ||
| Learning rate | ||
| Batch size |
5. Treinamento
O loop de treino e as dificuldades enfrentadas: instabilidade, perda que não desce, saturação da ativação, tempo de época. Diga o que você tentou e o que resolveu.
6. Estratégia de treino e teste
Proporções do split, esquema de validação e como o overfitting foi contido (early stopping, regularização, dropout). O split precisa ser o mesmo definido no EDA — se mudou, justifique.
7. Curvas de erro
Figura 1 — Perda de treino e de validação por época.
Leia a curva no texto: em que época a validação para de melhorar, e o que a distância entre as duas curvas diz sobre a capacidade do modelo.
8. Métricas de avaliação
| Métrica | Treino | Validação | Teste |
|---|---|---|---|
| MAE | |||
| RMSE | |||
| MAPE | |||
| \(R^2\) |
Inclua o gráfico de resíduos (\(y - \hat{y}\) contra \(\hat{y}\)). Resíduo com estrutura visível indica que o modelo deixou sinal na mesa; resíduo que abre em leque indica variância dependente da escala — e talvez a necessidade de transformar o alvo.
Compare com o baseline trivial do EDA. Um modelo que não supera o baseline é um resultado — relate-o como tal, não o esconda.
Conclusão
Principais achados, limitações e o que a equipe faria com mais tempo.