Este projeto utiliza Machine Learning para classificar e prever a demanda de serviços de assistência 24 horas para veículos, com o objetivo de oferecer uma precificação justa baseada em dados históricos. O sistema visa resolver a problemática de cobrança fixa, garantindo que modelos de veículos com maior demanda sejam precificados adequadamente, enquanto veículos de menor demanda sejam beneficiados por preços mais competitivos.
- Classificação Baseada em Dados: Utiliza algoritmos de machine learning para prever a categoria de demanda de assistência.
- Treinamento e Teste: Divide os dados históricos em 70% para treinamento e 30% para teste do modelo.
- Avaliação de Performance: Gera métricas de desempenho para validar a precisão do modelo antes da produção.
- Pipeline de Produção: Implementa o modelo em produção caso a performance atinja os critérios estabelecidos.
- Python
- Pandas e NumPy: Para manipulação e processamento de dados.
- Scikit-learn: Para construção e avaliação dos modelos de classificação.
- Streamlit: Para interface interativa com o usuário.
- Matplotlib/Seaborn: Para visualização dos dados e das métricas.
│ ├── car.csv # Conjunto de dados de veículos para treinamento e teste.
│ ├── carros.py # Código principal do projeto de classificação.
│ ├── LICENSE # Arquivo de licença do projeto.
│ ├── README.md # Documentação e descrição detalhada do projeto.
│ └── requirements.txt # Lista de dependências para execução do projeto.
-
Divisão dos Dados:
- 70% dos dados históricos para treinamento.
- 30% para teste e avaliação.
-
Treinamento do Modelo:
- Utilização de algoritmos de classificação (ex.: Random Forest, Logistic Regression).
- Ajuste dos hiperparâmetros para maximizar a performance.
-
Avaliação do Modelo:
- Métricas como acurácia, precisão, recall e F1-Score são analisadas.
- Apenas modelos com desempenho superior ao limiar definido são considerados para produção.
-
Produção:
- Implementação do modelo em um ambiente de produção para uso em tempo real.
- Dados históricos de demanda são carregados no sistema.
- Os dados são divididos em conjuntos de treino (70%) e teste (30%).
- Um algoritmo de Machine Learning é treinado e avaliado.
- Se o modelo atender aos critérios de performance, ele é implantado em produção.
- O modelo classifica a demanda de assistência de um veículo com base nos atributos fornecidos, como:
- Modelo do veículo.
- Ano de fabricação.
- Histórico de assistência.
- Entrada de Dados: O usuário insere informações sobre o veículo (ex.: modelo, ano, etc.).
- Saída do Modelo: O sistema retorna a classificação de demanda (ex.: Alta, Média, Baixa) e o preço sugerido para o serviço.
- Visualização de Desempenho: Métricas e gráficos de avaliação são exibidos para análise do modelo.
- Clone este repositório:
git clone https://github.com/nayarasobral/project-ML-classificacao-pv.qualidade_do_veiculo
- Navegue até o diretório do projeto:
cd sistema-precificacao - Instale as dependências necessárias:
pip install -r requirements.txt
- Execute o aplicativo Streamlit:
streamlit run src/carros.py
O conjunto de dados utilizado (car.csv) inclui os seguintes atributos:
- Modelo do Veículo: Nome e especificações do veículo.
- Ano de Fabricação: Ano de produção do veículo.
- Histórico de Assistência: Frequência de serviços solicitados.
- Categoria de Demanda: Classificação da demanda (Alta, Média, Baixa).
- Classificação Precisa: O modelo prevê a demanda com alta acurácia.
- Precificação Justa: Sugestões de preço com base na categoria de demanda.
- Satisfação do Cliente: Redução de insatisfação causada pela cobrança fixa.
- Adicionar novos atributos ao modelo, como localização geográfica e tempo médio de serviço.
- Implementar modelos mais avançados, como redes neurais.
- Suporte para upload de novos conjuntos de dados via interface.
Este projeto está sob a licença MIT - veja o arquivo LICENSE para mais detalhes.
- Nayara Sobral
Cientista de Dados- Email: [email protected]
- GitHub: nayarasobeal
Sinta-se à vontade para dar feedback ou contribuir! ⭐