Skip to content

Latest commit

 

History

History
142 lines (99 loc) · 5.14 KB

README.md

File metadata and controls

142 lines (99 loc) · 5.14 KB

Sistema Inteligente de Precificação para Assistência 24 Horas

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.

📋 Funcionalidades do Sistema

  • 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.

🚀 Tecnologias Utilizadas

  • 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.

📂 Estrutura do Repositório

│   ├── 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.

📊 Pipeline de Machine Learning

  1. Divisão dos Dados:

    • 70% dos dados históricos para treinamento.
    • 30% para teste e avaliação.

  2. Treinamento do Modelo:

    • Utilização de algoritmos de classificação (ex.: Random Forest, Logistic Regression).
    • Ajuste dos hiperparâmetros para maximizar a performance.

  3. 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.

  4. Produção:

    • Implementação do modelo em um ambiente de produção para uso em tempo real.

📈 Exemplo de Fluxo

  1. Dados históricos de demanda são carregados no sistema.
  2. Os dados são divididos em conjuntos de treino (70%) e teste (30%).
  3. Um algoritmo de Machine Learning é treinado e avaliado.
  4. Se o modelo atender aos critérios de performance, ele é implantado em produção.
  5. 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.

🎨 Interface

  • 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.

⚙️ Como Rodar o Projeto

  1. Clone este repositório: 
    git clone https://github.com/nayarasobral/project-ML-classificacao-pv.qualidade_do_veiculo
  2. Navegue até o diretório do projeto: 
    cd sistema-precificacao
  3. Instale as dependências necessárias: 
    pip install -r requirements.txt
  4. Execute o aplicativo Streamlit: 
    streamlit run src/carros.py

🗂️ Dataset

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).

🔮 Resultados Esperados

  • 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.

🛠️ Melhorias Futuras

  • 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.

📝 Licença

Este projeto está sob a licença MIT - veja o arquivo LICENSE para mais detalhes.

🧑‍💻 Autor

Sinta-se à vontade para dar feedback ou contribuir! ⭐