Como usar uma árvore de decisão para fazer previsões! 

É aos poucos mesmo, não esquenta não!

Ahhhhh valeu!!! Hahahahaha não lembrava de jeito nenhum o termo

O mais comum de ferramentas que você vai ver, para o analista de dados, é o SQL e alguma ferramenta de dataviz (Power BI ou Tableau, normalmente). A gente usa Excel em alguns momentos, algumas tarefas são feitas no Excel.

@@universidade-dos-dados Entendi, obrigado pela resposta

Depois que você instanciar a árvore (model = DecisionTreeClassifier), você vai treiná-la (model.fit(X_train, y_train). Uma vez que ela encontrou os padrões de seus dados, você vai validar com os dados de teste, certo? Fazendo model.predict(X_test), mas lembra o que é o dado de teste? É como se fosse uma simulação do seu modelo funcionando em produção, ou seja, ali você já está fazendo previsões, a diferença é que você sabe qual é o valor correto que ele deveria predizer (y_test), mas ali você já tem o que seria seu modelo em produção. Então se chegar dados novos, digamos um dataframe chamado "dados_novos", você consegue obter as predições fazendo model.predict(dados_novos).

@@universidade-dos-dados onde estou errando, me ajude pelo amor de Deeeeeeeuuuuuussss, eu omiti parte do codigo para breviedade, mas acredito que isso seja o principal, o grosso da questao, me ajudeeeeeeeeeeee def load_and_preprocess_data(): df = pd.read_csv('dados.csv', encoding='UTF-8') df['Tempo'] = pd.to_datetime(df['Time'], format='%H:%M') df['Hora'] = df['Time'].dt.hour df['Minuto'] = df['Time'].dt.minute df= df.dropna() y = df['Multi'] X = df.drop(columns=['Multi', 'Tempo']) feature_names = X.columns.tolist() scaler = StandardScaler() X = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) return X, y, scaler, feature_names, df def train_decision_tree(X, y): X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) tscv = TimeSeriesSplit(n_splits=10) model = DecisionTreeRegressor(max_depth=None, min_samples_split=2, min_samples_leaf=1, random_state=123) scores = cross_val_score(model, X_train, y_train, cv=tscv, scoring='neg_mean_squared_error') model.fit(X_train, y_train) return model def evaluate_model(model, X_test, y_test): y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print(f"Mean Squared Error on test set: {mse}") return mse def predict_next_value(model, X, feature_names, last_prediction=None): next_X = X[-1].reshape(1, -1) next_y = model.predict(next_X)[0] return next_y, next_X if __name__ == "__main__": X, y, scaler, feature_names, df = load_and_preprocess_data() X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) decision_tree_model = train_decision_tree(X_train, y_train) mse = evaluate_model(decision_tree_model, X_test, y_test) dt_prediction, _ = predict_next_value(decision_tree_model, X, feature_names) while True: time.sleep(2) new_X, new_y, new_scaler, _, new_df = load_and_preprocess_data() new_row_count = len(new_X) new_observations = new_row_count - last_row_count if new_observations > 0: new_scaler = update_scaler(scaler, new_X[-new_observations:]) dt_prediction, _ = predict_next_value(decision_tree_model, new_X, feature_names) print(f" Decision Tree Prediction for next value: {dt_prediction:.2f}")

@@universidade-dos-dados me ajude pelo amor de Deeeeeeuuuuussss, eu omiti parte do codigo para breviedade, mas acho que essa é a parte principal onde tem o erro, me ajudaaaaaaaaaaaaaaa, vou chorar demais def load_and_preprocess_data(): df = pd.read_csv('dados.csv', encoding='UTF-8') df['Tempo'] = pd.to_datetime(df['Time'], format='%H:%M') df['Hora'] = df['Time'].dt.hour df['Minuto'] = df['Time'].dt.minute df= df.dropna() y = df['Multi'] X = df.drop(columns=['Multi', 'Tempo']) feature_names = X.columns.tolist() scaler = StandardScaler() X = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) return X, y, scaler, feature_names, df def train_decision_tree(X, y): X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) tscv = TimeSeriesSplit(n_splits=10) model = DecisionTreeRegressor(max_depth=None, min_samples_split=2, min_samples_leaf=1, random_state=123) scores = cross_val_score(model, X_train, y_train, cv=tscv, scoring='neg_mean_squared_error') model.fit(X_train, y_train) return model def evaluate_model(model, X_test, y_test): y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print(f"Mean Squared Error on test set: {mse}") return mse def predict_next_value(model, X, feature_names, last_prediction=None): next_X = X[-1].reshape(1, -1) next_y = model.predict(next_X)[0] return next_y, next_X if __name__ == "__main__": X, y, scaler, feature_names, df = load_and_preprocess_data() X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123) decision_tree_model = train_decision_tree(X_train, y_train) mse = evaluate_model(decision_tree_model, X_test, y_test) dt_prediction, _ = predict_next_value(decision_tree_model, X, feature_names) while True: time.sleep(2) new_X, new_y, new_scaler, _, new_df = load_and_preprocess_data() new_row_count = len(new_X) new_observations = new_row_count - last_row_count if new_observations > 0: new_scaler = update_scaler(scaler, new_X[-new_observations:]) dt_prediction, _ = predict_next_value(decision_tree_model, new_X, feature_names) print(f" Decision Tree Prediction for next value: {dt_prediction:.2f}")

@@universidade-dos-dados já postei 10 respostas e o RU-vid está apagando todas que merda

@@universidade-dos-dados preciso falar com vc, faço até um Pix se vc conseguir me ajudar corrigir o problema