Treinando o Modelo
Para que nosso modelo consiga prever valores, precisamos treiná-lo.
Mas como fazemos isso? Bem, nós já estamos fazendo isso 😉!
Treinar um modelo significa verificar se existe uma boa relação entre os dados e se o modelo se ajusta bem a eles.
Nós já fizemos isso garantindo que o valor de R2 esteja próximo de 1.
O que precisamos fazer agora é usar o conjunto de dados com mais de 10.000 registros para criar um conjunto de treinamento e um conjunto de teste.
O conjunto de treinamento será uma amostra aleatória em vez dos 30 registros iniciais que tínhamos.
Segundo a Universidade do Texas em El Paso, usar 30% dos dados para teste é uma forma ideal de criar um modelo preciso.
Se quiser saber mais, veja aqui:
(Por que usar a relação 70/30 ou 80/20 entre conjuntos de treinamento e teste
)
À medida que o número de funcionários aumenta, o conjunto de dados também cresce e o valor de R2 pode mudar.
Precisamos refazer esse processo sempre que o conjunto de dados de 10.000+ funcionários aumentar, para garantir que nosso modelo continue atualizado.
Fazendo Previsões
No Replit abaixo, você verá como o código cria um conjunto de treinamento e um conjunto de teste ao dividir os dados do arquivo com mais de 10.000 registros, executando previsões para ambos os conjuntos.
Como você pode observar, a linha de previsão gerada em ambos os gráficos é muito semelhante, tanto para o conjunto de treinamento quanto para o de teste.
Também é possível ver que o valor de R2 para ambos os conjuntos é quase idêntico — ou até idêntico em alguns casos.
Agora você pode usar o código abaixo e alterar a variável experience para o valor que quiser.
O gráfico mostrará o salário previsto com base na experiência inserida.
Você conseguiu!
Minicurso concluído