Nesse projeto importei o módulo "LinearRegression" da biblioteca externa chamada sklearn(https://scikit-learn.org/), e a biblioteca matplotlib(https://matplotlib.org/).
Nessa resolução o gráfico é apresentado, e em seguida é pedido uma idade para ser analisada na regressão, em seguida,
é retornado um valor(custo) adequado para o plano de saúde da idade informada.
Observação: é preciso rodar no colab("https://colab.research.google.com/") ou jupyter-lab("https://jupyter.org/install")
para uma análise adequada.
Caso queira usar o jupyter(mais rápido) você deve instalar algumas bibliotecas: numpy, matplotlib e sklearn, além do próprio jupyter.
Obs: SE, SOMENTE SE, VOCÊ ESTIVER USANDO O JUPYTER rode os seguintes comandos no seu terminal(você precisa do python instalado):
python -m pip install -U pip
pip install numpy python
pip install -U matplotlib
pip install -U scikit-learnou para baixar tudo de uma vez:
pip install numpy matplotlib scikit-learnCaso você use o Colab, não é preciso baixar nenhuma ferramenta.
O CÓDIGO A SEGUIR é ideal para o COLAB, pois ele tem recursos de download de um arquivo .csv no final da análise, usando libs do Google Colab.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# Dados de exemplo
idade = np.array([18, 23, 25, 33, 34, 43, 48, 51, 58, 63, 67]).reshape(-1, 1)
custo = np.array([871, 1100, 1393, 1654, 1915, 2100, 2356,2698, 2959, 3000, 3100])
# Criando o modelo de regressão linear
modelo = LinearRegression()
# Treinando o modelo com os dados
modelo.fit(idade, custo)
# Plotando o gráfico de dispersão e a linha de regressão
plt.scatter(idade, custo, color='blue', label='Cordenadas dos dados')
plt.plot(idade, modelo.predict(idade), color='red', linewidth=2, label='Regressão Linear')
plt.xlabel('Idade')
plt.ylabel('Custo')
plt.title('Regressão Linear - Previsão de Preço de Plano de Saúde')
plt.legend()
plt.show()
# Fazendo uma previsão para o custo com nova(s) idade(s)
import csv
from google.colab import files
op = 's'
idade_analisada = []
# Salvando as idades analisadas em um arquivo CSV
nome_arquivo = 'idades_analisadas.csv'
def baixarDados():
with open(nome_arquivo, mode='w', newline='') as arquivo:
escritor = csv.writer(arquivo)
escritor.writerow(['Idade', 'Custo'])
escritor.writerows(idade_analisada)
# Baixando o arquivo CSV
files.download(nome_arquivo)
while op == 's':
nova_idade = np.array([[int(input("Digite a Idade a ter o custo previsto: "))]]) # Nova idade para prever o custo
custo_previsto = modelo.predict(nova_idade)
# Adicionando idade e custo a uma lista
idade_analisada.append([nova_idade[0][0], np.round(custo_previsto, 2)[0]])
# Imprimindo o preço previsto
print(f"O custo previsto para {nova_idade[0][0]} anos é: R${np.round(custo_previsto,2)[0]}")
print('--------------------------')
op = input('Deseja analisar outra idade? (s/n) ').lower()
if op == 'n':
acao = input("Você quer fazer o download dos dados analisados em .csv? (s/n)").lower()
if(acao == 's'):
baixarDados()
print('Programa encerrado!')
break
else:
continue
###########################################
############ FIM DO 1º CÓDIGO #############
###########################################Pensando na rapidez, e não excluindo a QA(Qualidade de Software)
do código anterior, esse tem a mesma capacidade de salvar um arquivo .csv na sua máquina, mas ao invés de perguntar a
pasta que você deseja baixar, ele salva automaticamente na mesma pasta do seu arquivo do jupyter.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# Dados de exemplo
idade = np.array([18, 23, 25, 33, 34, 43, 48, 51, 58, 63, 67]).reshape(-1, 1)
custo = np.array([871, 1100, 1393, 1654, 1915, 2100, 2356,2698, 2959, 3000, 3100])
# Criando o modelo de regressão linear
modelo = LinearRegression()
# Treinando o modelo com os dados
modelo.fit(idade, custo)
# Plotando o gráfico de dispersão e a linha de regressão
plt.scatter(idade, custo, color='blue', label='Cordenadas dos dados')
plt.plot(idade, modelo.predict(idade), color='red', linewidth=2, label='Regressão Linear')
plt.xlabel('Idade')
plt.ylabel('Custo')
plt.title('Regressão Linear - Previsão de Preço de Plano de Saúde')
plt.legend()
plt.show()
# Fazendo uma previsão para o custo com nova(s) idade(s)
import csv
#from google.colab import files
op = 's'
idade_analisada = []
# Salvando as idades analisadas em um arquivo CSV
nome_arquivo = 'idades_analisadas.csv'
def baixarDados():
with open(nome_arquivo, mode='a', newline='') as arquivo:
escritor = csv.writer(arquivo)
escritor.writerow(['Idade', 'Custo'])
escritor.writerows(idade_analisada)
while op == 's':
nova_idade = np.array([[int(input("Digite a Idade a ter o custo previsto: "))]]) # Nova idade para prever o custo
custo_previsto = modelo.predict(nova_idade)
# Adicionando idade e custo a uma lista
idade_analisada.append([nova_idade[0][0], np.round(custo_previsto, 2)[0]])
# Imprimindo o preço previsto
print(f"O custo previsto para {nova_idade[0][0]} anos é: R${np.round(custo_previsto,2)[0]}")
print('--------------------------')
op = input('Deseja analisar outra idade? (s/n) ').lower()
if op == 'n':
acao = input("Você quer fazer o download dos dados analisados em .csv? (s/n)").lower()
if(acao == 's'):
baixarDados()
print(f'Arquivo {nome_arquivo} foi salvo na pasta do seu ipynb notebook!')
print('Programa encerrado!')
break
else:
continue
###########################################
############ FIM DO 2º CÓDIGO #############
###########################################
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent