CARculadora
Este projeto foi entregue como trabalho de conclusão de curso do bootcamp em Data Science & Machine Learning da Tera. Como objetivo, estava o desenvolvimento de uma ferramenta para predição de preço de veículos usados e seminovos, utilizando um modelo de regressão.
Para a aquisição dos dados, foi realizado um web scraping em um famoso portal de compra e venda de veículos. Os dados foram analisados em detalhes, buscando extrair as relações mais significativas entre as variáveis. Em seguida, os mesmos dados passaram por um criterioso processo de limpeza e pré-processamento, permitindo seu treinamento por um modelo de aprendizado de máquina.
O método Random Forest Quantile foi utilizado, permitindo prever os preços com intervalos máximos e mínimos. Os seguintes resultados foram verificados para o conjunto de teste:
- Um erro 341 reais menor que o da tabela Fipe, por automóvel;
- Um erro 187 mil reais menor que o da tabela Fipe, para os 549 veículos da base de teste;
- 91% dos valores previstos dentro dos intervalos determinados pelo modelo.
Deploy da aplicação utilizando o Streamlit