Previsão de Valores de Imóveis com Perceptron Multicamadas

Utilizar um modelo Perceptron Multicamadas (MLP) para realizar uma tarefa de regressão no Dataset California Housing.

---

Objetivo

Treinar o MLP para prever o valor mediano das casas (median_house_value) em distritos da Califórnia, com base em suas características.

---

O Dataset California Housing

Dataset clássico de aprendizado de máquina, ideal para introdução a regressão e redes neurais.

Disponibilidade: O dataset pode ser acessado diretamente no Google Colab, geralmente dentro do diretório sample_data, ou através dos arquivos CSV fornecidos (california_housing_train.csv e california_housing_test.csv).

---

Atributos do Dataset

A tabela abaixo descreve as features (entradas) e a variável alvo (saída) para o modelo MLP:

---

Requisitos

• Carregar os dados de treino e teste dos arquivos CSV
• Realizar análise exploratória básica:
  • Exibir informações sobre o dataset (dimensões, tipos de dados)
  • Verificar valores ausentes
  • Exibir estatísticas descritivas
• Implementar pré-processamento dos dados:
  • Separar features (X) e variável alvo (y)
  • Aplicar transformação nos dados de treino, avaliação e teste (Padronização ou Normalização)
• Construir e treinar o modelo MLP:
  • Definir arquitetura com pelo menos uma camada oculta
  • Configurar função de perda MSE
  • Treinar o modelo
• Avaliar o modelo:
  • Calcular RMSE no conjunto de teste
  • Exibir métricas de performance

---

Diretrizes para o MLP

1. Pré-processamento: É obrigatório aplicar escalonamento (Padronização ou Normalização) aos dados de entrada, pois o MLP é sensível à magnitude das features.
2. Arquitetura: Construir uma Rede Neural MLP com pelo menos uma camada oculta.
3. Configuração de Ativação: O uso da função ReLU nas camadas ocultas é sugerido por ser um bom ponto de partida. No entanto, você é livre para experimentar outras funções de ativação, como Sigmoide ou Tanh, para comparar resultados.
4. Função de Perda: Utilizar a função de perda MSE (Erro Quadrático Médio) para otimização.
5. Avaliação: Avaliar a performance do modelo usando o conjunto de teste, focando na métrica RMSE (Raiz do Erro Quadrático Médio).

---

Passo a passo recomendado

1. Carregue os dados e realize a análise exploratória.
2. Implemente o pré-processamento com escalonamento.
3. Construa a arquitetura do MLP (defina número de camadas e neurônios).
4. Treine o modelo com os dados de treino e avaliação.
5. Avalie o modelo final no conjunto de teste usando RMSE.
6. Experimente diferentes configurações (camadas, neurônios, funções de ativação).

---

Como executar

1. Abra o notebook no Jupyter/Colab.
2. Faça upload dos arquivos california_housing_train.csv e california_housing_test.csv.
3. Execute as células com as funções de carregamento, pré-processamento e treinamento.
4. Analise os resultados e métricas de avaliação.

---

Entrega

Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.

Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?

É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!

---

Feito com 💜 por Rocketseat 👋