Sistema de Previsão de Avaliação de Produtos

Descrição do Projeto

Este projeto utiliza aprendizado de máquina para prever se um cliente vai gostar de um produto com base em características de compras anteriores. Ele usa um Random Forest Classifier para classificar se um cliente dará uma avaliação positiva ("Gostou") ou negativa ("Não Gostou") para um produto.

Principais Funcionalidades:

1. Carregamento de Dados:

   • Dataset contendo registros de vendas de produtos eletrônicos foi utilizado. Ele inclui colunas como:
     • Age (Idade do Cliente),
     • Gender (Gênero do Cliente),
     • Total Price (Preço Total da Compra),
     • Unit Price (Preço Unitário do Produto),
     • Quantity (Quantidade de Produtos Comprados),
     • Product Type (Tipo de Produto),
     • Rating (Avaliação do Produto pelo Cliente).

2. Preparação dos Dados:

   • O dataset foi pré-processado para criar uma variável alvo chamada Liked, que indica se o cliente gostou ou não do produto. Se a avaliação (Rating) foi igual ou superior a 4, a coluna Liked é marcada como 1 (Gostou). Se for menor que 4, é marcada como 0 (Não Gostou).

3. Codificação de Variáveis Categóricas:

   • O LabelEncoder foi utilizado para codificar variáveis categóricas como Gender (gênero) e Product Type (tipo de produto).

4. Treinamento do Modelo:

   • Um modelo de Random Forest Classifier foi treinado usando os dados históricos. As variáveis de entrada utilizadas foram:
     • Age (idade),
     • Gender (gênero),
     • Total Price (preço total da compra),
     • Unit Price (preço unitário),
     • Quantity (quantidade de produtos comprados),
     • Product Type (tipo de produto).
   • O modelo é capaz de prever se o cliente gostou ou não do produto com base nessas informações.

5. Previsão:

   • Uma função predict_liked() foi criada para fazer previsões com base em novos inputs. A função leva em consideração idade, gênero, preço total, preço unitário, quantidade e tipo de produto, e retorna se o cliente provavelmente "Gostou" ou "Não Gostou".

6. Avaliação do Modelo:

   • Foram calculados a matriz de confusão e métricas de desempenho como accuracy, precision, recall, e f1-score para avaliar o modelo.
   • Além disso, foi gerado um gráfico de importância das características para mostrar quais variáveis tiveram mais impacto na previsão.

---

Como Rodar o Projeto

1. Instalação das Dependências:

   • As bibliotecas necessárias para rodar o projeto estão listadas no arquivo requirements.txt.

   • Para instalar as dependências, execute:

     pip install -r requirements.txt

2. Rodando o Código:

   • Para rodar o código e treinar o modelo, utilize o Jupyter Notebook ou um ambiente de execução Python compatível.
   • O dataset deve ser carregado em um DataFrame utilizando pandas:

     import pandas as pd
     data = pd.read_csv('caminho/para/o/dataset.csv')

3. Fazendo Previsões:

   • Utilize a função predict_liked() para prever se um cliente gostará de um produto:

     result = predict_liked(35, 'Female', 150, 50, 2, 'Smartwatch')
     print(f"A previsão é: {result}")