LH_CD_IAN_LUCAS_PERIGO_VIANNA

Projeto de ciência de dados e Machine learning para o processo seletivo para a vaga de trainee da LightHouse e Indicium. Projeto feito entre o dia 15/02/2024 e 21/02/2024 Autor do projeto: Ian Lucas Périgo Vianna

Consultar requeriments.txt

1. Clone o repositório:

   git clone [https://github.com/seu-usuario/seu-projeto.git](https://github.com/IanPerigoVianna/Lighthouse_DataScience.git)

2. Navegue até o diretório do projeto:

   cd seu-projeto

3. Instale as dependências:

   pip install -r requirements.txt

1. Abra o notebook no Jupyter:

   jupyter notebook nome_do_notebook.ipynb

2. Execute as células conforme necessário.

Se você deseja carregar um modelo treinado salvo com o pickle, siga estas etapas, pode copiar e colar nas células do seu notebook e executar:

1. Abra seu notebook.

2. Importe a biblioteca pickle e instale o tensorflow:

   import pickle
   
   pip install tensorflow
   
   colab:
   ! pip install tensorflow

3. Carregue o modelo e o objeto de preparação de dados:

   # Carregue o modelo
   with open('model.pkl', 'rb') as model_file:
       loaded_model = pickle.load(model_file)
   
   # Carregue o objeto de preparação de dados (se aplicável)
   with open('scaler.pkl', 'rb') as scaler_file:
       loaded_scaler = pickle.load(scaler_file)

4. Utilize o modelo carregado para fazer previsões:

   • Copie e cole esse código python no seu notebook
   • preencha os campos conforme indicado na documentação

####### DOCUMENTAÇÃO DE INPUT DAS CHAVES PARA PREVISÃO DO PREÇO DO IMÓVEL ##########

• Room_type preencha 1 em room_type entire home/apt caso o aluguel seja do imóvel completo e 0 caso não seja.
• Room_type preencha 1 em room_type shared caso o aluguel seja de quarto compartilhado 0 caso não seja.
• Bairro_group preencha 1 para se o imóvel está localizado nesse bairro_group e 0 caso ele não esteja.
• Bairro preencha 1 caso o imóvel esteja neste bairro e 0 caso não esteja
• Disponibilidade 365_ preencha a quantidade de dias que o imóvel está disponível por ano
• Calculado host_listening_counts preencha com a quantidade de anuncios do imóvel
• Numero_de_reviews preencha com a quantidade de avaliações que o imóvel tem.

entrada_zeros = {

'room_type_Entire home/apt': 1,
'bairro_group_Manhattan': 1,
'bairro_Midtown': 1,
'bairro_group_Queens': 0,
'bairro_Bushwick': 0,
'bairro_Chelsea': 0,
'room_type_Shared room':0,
'bairro_West Village': 0,
"bairro_Hell's Kitchen": 0,
'bairro_Bedford-Stuyvesant': 0,
'disponibilidade_365': 10,
'bairro_Tribeca': 0,
'bairro_SoHo': 0,
'bairro_group_Bronx': 0,
'bairro_Upper West Side': 0,
'bairro_East Village': 0,
'bairro_Murray Hill': 0,
'bairro_Greenwich Village': 0,
'bairro_Washington Heights': 0,
'bairro_Upper East Side': 0,
'bairro_Harlem': 0,
'bairro_Ridgewood': 0,
'bairro_Flatbush': 0,
'bairro_NoHo': 0,
'bairro_Financial District': 0,
'bairro_Crown Heights': 0,
'bairro_Astoria': 0,
'bairro_East Flatbush': 0,
'bairro_Kips Bay': 0,
'calculado_host_listings_count': 2,
'bairro_Sunnyside': 0,
'bairro_Flatiron District': 0,
'bairro_Flushing': 0,
'bairro_Gramercy': 0,
'bairro_Elmhurst': 0,
'bairro_Nolita': 0,
'bairro_Borough Park': 0,
'numero_de_reviews': 10,
'bairro_Theater District': 0,
'bairro_Prospect-Lefferts Gardens': 0,
'bairro_Woodside': 0,
'bairro_group_Staten Island': 0,
'bairro_Jackson Heights': 0,
'bairro_East New York': 0,
'bairro_Inwood': 0,
'bairro_Ditmars Steinway': 0

}

• Sequência das Colunas

sequencia_colunas = ['room_type_Entire home/apt', 'bairro_group_Manhattan', 'bairro_Midtown', 'bairro_group_Queens', 'bairro_Bushwick', 'bairro_Chelsea', 'bairro_West Village', 'room_type_Shared room', "bairro_Hell's Kitchen", 'bairro_Bedford-Stuyvesant', 'disponibilidade_365', 'bairro_Tribeca', 'bairro_SoHo', 'bairro_group_Bronx', 'bairro_Upper West Side', 'bairro_East Village', 'bairro_Murray Hill', 'bairro_Greenwich Village', 'bairro_Washington Heights', 'bairro_Upper East Side', 'bairro_Harlem', 'bairro_Ridgewood', 'bairro_Flatbush', 'bairro_NoHo', 'bairro_Financial District', 'bairro_Crown Heights', 'bairro_Astoria', 'bairro_East Flatbush', 'bairro_Kips Bay', 'calculado_host_listings_count', 'bairro_Sunnyside', 'bairro_Flatiron District', 'bairro_Flushing', 'bairro_Gramercy', 'bairro_Elmhurst', 'bairro_Nolita', 'bairro_Borough Park', 'numero_de_reviews', 'bairro_Theater District', 'bairro_Prospect-Lefferts Gardens', 'bairro_Woodside', 'bairro_group_Staten Island', 'bairro_Jackson Heights', 'bairro_East New York', 'bairro_Inwood', 'bairro_Ditmars Steinway']

entrada_zeros_df = pd.DataFrame([entrada_zeros], columns=sequencia_colunas)

entrada_normalizada = scaler_X_carregado.transform(entrada_zeros_df)

previsao_preco_scaled = modelo_carregado.predict(entrada_normalizada)

previsao_preco = scaler_y_carregado.inverse_transform(previsao_preco_scaled)

print(f"Sugestão de preço original: ${previsao_preco[0][0]:.2f}") ```