Regressão de Dados
Percorra as etapas do fluxo de machine learning, uma de cada vez, para treinar e exportar o modelo preditivo ajustado aos seus dados.
Ingestão de Dados
Envie um arquivo do Excel (.xlsx). Depois você escolherá a coluna-alvo (valor a prever) e as características de entrada.
- Os nomes das colunas devem estar na primeira linha da planilha eletrônica.
- Cada linha seguinte deve ser um registro de dados (observações).
- Deve existir uma coluna numérica com o valor a ser previsto (coluna-alvo).
- Use nomes de coluna curtos e descritivos, sem espaços em branco no lugar de dados.
temperatura-motor, vibração, horas-operação,
carga-percentual, rotação, tipo-máquina e
vida-útil-restante
Processamento dos Dados
Escolha a variável que deseja prever e os parâmetros de entrada. A limpeza dos dados é feita automaticamente ao avançar.
Uma amostra dos dados aparecerá aqui após o envio do arquivo...
Ao clicar para avançar, aplicamos automaticamente nas colunas escolhidas a remoção de linhas com valores vazios ou não numéricos, a remoção de linhas e colunas duplicadas, e a remoção de valores atípicos (outliers) pelo método do IQR (Intervalo Interquartil).
Divisão e Treinamento
Escolha o algoritmo de Machine Learning, defina quanto dos dados fica para teste e treine o modelo preditivo. O conjunto de dados de teste é separado antes do ajuste da regressão de dados.
Arraste para ajustar a fatia reservada para teste (de 10% a 50%).
Avaliação
Veja como o modelo se saiu no conjunto de teste: R², RMSE e MAE, além do gráfico previsto × real. Os resultados aparecerão aqui.
Exportação
Baixe o modelo treinado (.pkl) e um resumo do que foi feito: features, pré-processamento e métricas.