Avaliador de Imóveis

Solução completa de Data Science: Avaliador de imóveis da cidade de Ponta Grossa - PR.
Desenvolvido desde a definição do problema, coleta, limpeza e análise dos dados, até a modelagem e disponibilização dos resultados em uma aplicação web. Projeto final do curso Como criar uma solução completa de Data Science.

Etapas do Projeto

1 - Definição do Problema

O problema principal abordado nesse projeto é a precificação de imóveis. Será possível criar uma solução automatizada que faça a avaliação de imóveis? Suponhamos que você seja um corretor de imóveis, porém está sem tempo para avaliar os diversos imóveis que recebe dos seus clientes. Com a solução apresentada aqui é possível precificar imóveis somente com as principais características do imóvel.

2 - Coleta dos Dados scraping.ipynb

A coleta dos dados foi feita através de WebScraping do site Procure Imóvel. Foram coletadas todas as casas disponíveis do site no dia 19 de Junho de 2020. Para essa etapa foi utilizado a biblioteca BeatifulSoup. A páginas html foram baixadas do Procure Imóveis e os dados foram coletados de cada imóvel. Todo o código do scraping está no arquivo scraping.ipynb.

O dataset criado nesse projeto foi publicado no Kaggle Casas à Venda - Ponta Grossa PR

3 - Preparação dos Dados dataCleaning.ipynb

Como ss dados coletados das páginas html são "sujos" é importante que a Limpeza e Preparação dos dados seja bem feita. Foram feitas limpezas de características com muitos dados faltantes e limpeza de alguns dados absurdos. Nessa etapa utilizou-se principalmente da biblioteca Pandas e Numpy. O código pode ser visualizados no arquivo dataCleaning.ipynb

4 - Análise de Dados EDA.ipynb

Etapa do projeto onde são extraídas algumas informações dos dados. Foram analisadas as distribuições dos valores, as tendências dos imóveis em relação ao preço e a correlação entre as variáveis. Nessa etapa foi utilizado principalmente matplotlib e seaborn. EDA.ipynb

5 - Modelagem modelo.ipynb

Nessa etapa foi criado o modelo de regressão que fará a precificação dos imóveis. Nessa etapa o dataset foi dividido entre treino e validação e foram criados modelos (RandomForest e LightGBM) para a tarefa. Após a criação do modelo foi executado o tuning dos hiperparâmetros com Random Search e Bayesian Optimization, melhorando o modelo em 10% na sua métrica primária.

Tecnologias utilizadas

• Linguagem de Programação: Python
• IDE: Jupyter Lab
• Bibliotecas:
  • beautifulsoup4==4.8.2
  • joblib==0.14.1
  • numpy==1.19.0
  • Flask==1.1.1
  • lightgbm==2.3.1
  • numpy==1.19.0
  • pandas==1.0.4
  • requests==2.22.0
  • scikit-learn==0.23.1
  • scikit-optimize==0.7.4
  • scipy==1.5.1
  • seaborn==0.10.0
  • statsmodels==0.11.0
  • tqdm==4.42.1
  • matplotlib==2.1.2

Kaggle

Com os dados coletados na parte do scraping foi criado um dataset com as casas à venda da cidade de Ponta Grossa - PR. O dataset está disponível no Kaggle Casas à Venda - Ponta Grossa PR.

Contato

Victor Stein - LinkedIn