Esta é uma aplicação web de previsão de preços de moradias, utilizando FastAPI e um modelo de Regressão Linear treinado com o conjunto de dados de Boston Housing. A aplicação permite que os usuários façam previsões com base em três entradas: o número de cômodos, o percentual de classe social baixa e a proporção de alunos por professor. O resultado é exibido de forma dinâmica na página utilizando htmx para melhorar a experiência do usuário.

• FastAPI: Framework para criação de APIs rápidas e assíncronas.
• Scikit-learn: Biblioteca para aprendizado de máquina, utilizada para treinar o modelo de regressão linear.
• Jinja2: Motor de templates para renderização do front-end.
• htmx: Biblioteca de JavaScript que facilita requisições AJAX para criar experiências dinâmicas sem a necessidade de recarregar a página.
• HTML + TailwindCSS: Para estruturação e estilização do front-end.

• Formulário de previsão com 3 campos de entrada:
  • Quantidade de cômodos.
  • Percentual de classe social baixa.
  • Proporção de alunos por professor.
• Previsão dinâmica exibida na página sem recarregar, utilizando htmx.
• Validação básica de inputs para evitar erros no envio de dados inválidos.

Este modelo de regressão foi treinado com base no dataset Boston housing. O objetivo principal foi identificar o modelo de regressão que melhor prediz o valor médio dos imóveis, com base em métricas como o coeficiente de determinação R², MAE (erro absoluto médio), MSE (erro quadrático médio), e RMSE (raiz do erro quadrático médio).

Métricas do modelo

R² (Treino): 91.60%
R² (Teste): 84.65%
MAE: 49,730.29
MSE: 4,452,803,054.51
RMSE: 66,729.32

Você pode conferir o repositório com o projeto completo onde vários modelos foram treinados e suas métricas avaliadas em Boston housing prediction

• Python 3.7+
• Scikit-learn
• FastAPI
• htmx

1. Clone o repositório

2. Crie e ative um ambiente virtual:

   python -m venv .venv
   source .venv/bin/activate  # No Windows use: .venv\Scripts\activate

3. Instale as dependências:

   pip install -r requirements.txt

4. Execute a aplicação:

   uvicorn main:app --reload

5. Acesse a aplicação:

   Abra seu navegador e acesse http://127.0.0.1:8000.

├── main.py               # Arquivo principal com a aplicação FastAPI
├── routes.py             # Define as rotas para requisições GET e POST
├── models
│   └── regressor.pkl      # Arquivo com o modelo de regressão linear treinado
├── templates
│   ├── base.html          # Template base do Jinja2
│   ├── index.html         # Página inicial com o formulário
│   └── form.html          # Componente de formulário
└── README.md              # Documentação do projeto

Na página inicial, insira os valores para:

• Quantidade de cômodos (ex: 8).
• Percentual de classe baixa (ex: 12).
• Proporção de alunos x professor (ex: 18).

Após submeter o formulário, a previsão será exibida diretamente na página.

Contribuições são bem-vindas! Sinta-se à vontade para abrir uma issue ou enviar um pull request.

Caso tenha alguma dúvida ou sugestão, entre em contato:

• Email: wsantos08@hotmail.com
• LinkedIn: wellington-moreira-santos