Como funciona
Regressão é uma tarefa de aprendizado de máquina que prevê um valor numérico a partir de dados. Em um modelo supervisionado, cada exemplo de treinamento inclui atributos, como características de um imóvel, e um valor-alvo conhecido, como o preço registrado. O algoritmo aprende uma relação entre esses elementos para estimar valores em casos novos.
A regressão linear modela uma relação por uma combinação ponderada dos atributos. Existem também métodos não lineares, árvores de decisão e outros algoritmos de regressão. A página de modelos lineares do scikit-learn documenta abordagens para ajustar relações entre variáveis; o método apropriado depende dos dados e da tarefa.
O modelo pode ajustar-se demais aos exemplos de treinamento, ou não captar padrões relevantes. Para avaliar generalização, separe dados de treino e avaliação, compare previsões aos valores conhecidos e observe métricas como erro absoluto médio ou raiz do erro quadrático médio. Uma métrica isolada não explica todos os erros, então examine também os casos individuais e a distribuição dos resíduos.
Exemplo prático
Uma loja quer estimar a demanda semanal de um produto. A equipe reúne dados históricos e atributos conhecidos antes da semana, como calendário, preço promocional e características do produto. Ela treina um modelo para prever uma quantidade numérica e compara as previsões com semanas mantidas fora do treinamento.
Se o modelo prevê menos unidades do que a demanda real, pode haver falta de estoque; se prevê demais, a empresa pode armazenar produto sem necessidade. A equipe analisa a magnitude e a direção dos erros, verifica se o desempenho muda em épocas diferentes e compara o modelo com uma regra simples de referência.
A estimativa não é uma garantia. Mudanças em campanhas, concorrência ou disponibilidade podem alterar a demanda. Por isso, o sistema precisa registrar quando a previsão foi feita, quais dados foram usados e como a equipe revisará a estimativa quando surgirem informações novas.
Para que serve
Regressão serve para estimar preços, tempos, consumo, demanda, volumes e outras grandezas numéricas. Em um produto, pode apoiar planejamento de estoque ou priorização de recursos. Em uma aplicação técnica, pode prever carga ou duração de uma tarefa a partir de características observadas.
Não confunda a previsão com uma explicação causal. Se um atributo aparece associado a um valor previsto, isso não prova que ele causou a mudança. Também não confunda regressão com classificação: a primeira estima números, enquanto a segunda escolhe categorias, embora um problema possa ser formulado de maneiras distintas.
Antes de publicar previsões, documente a variável-alvo, a origem dos dados, o período de avaliação e os limites conhecidos. Verifique se os dados representam o uso futuro e monitore mudanças. Uma estimativa é mais útil quando a pessoa que decide entende sua incerteza e sabe como agir quando o erro importa.