In [256]:

    

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np


    

In [257]:

    

movies = pd.read_csv('datasets/regressao_linear_alura.csv')


    

In [258]:

    

movies.head()


    

    
Out[258]:







  

    

      

      
movieId
      
Titulo
      
Investimento (em milhoes)
      
Bilheteria (pessoas)
    
  
  

    

      
0
      
1
      
Toy Story (1995)
      
11.048216
      
5623234.602
    
    

      
1
      
2
      
Jumanji (1995)
      
14.927678
      
5714951.757
    
    

      
2
      
3
      
Grumpier Old Men (1995)
      
27.114597
      
9524339.124
    
    

      
3
      
4
      
Waiting to Exhale (1995)
      
4.994242
      
6331568.779
    
    

      
4
      
5
      
Father of the Bride Part II (1995)
      
19.142246
      
6409617.277
    
  

In [259]:

    

movies.shape


    

    
Out[259]:





(9125, 4)

In [260]:

    

x = movies['Investimento (em milhoes)']


    

In [261]:

    

y = movies['Bilheteria (pessoas)']


    

In [262]:

    

plt.scatter(x,y)


    

    
Out[262]:





<matplotlib.collections.PathCollection at 0x10f891240>






    

In [263]:

    

sample = movies.sample(n=200)


    

In [264]:

    

x = sample['Investimento (em milhoes)']


    

In [265]:

    

y = sample['Bilheteria (pessoas)']


    

In [266]:

    

plt.scatter(x,y)


    

    
Out[266]:





<matplotlib.collections.PathCollection at 0x10f90dd30>






    

In [267]:

    

filmes_investimento = movies['Investimento (em milhoes)']
filmes_bilheteria = movies['Bilheteria (pessoas)']


    

In [268]:

    

type(filmes_investimento)


    

    
Out[268]:





pandas.core.series.Series

In [269]:

    

filmes_investimento.head(10)


    

    
Out[269]:





0    11.048216
1    14.927678
2    27.114597
3     4.994242
4    19.142246
5     9.977311
6    14.257461
7     8.871800
8    29.112800
9     3.695241
Name: Investimento (em milhoes), dtype: float64

In [270]:

    

filmes_bilheteria.head(10)


    

    
Out[270]:





0    5623234.602
1    5714951.757
2    9524339.124
3    6331568.779
4    6409617.277
5    4956557.317
6    4654565.066
7    3950017.325
8    6850971.551
9    5157865.850
Name: Bilheteria (pessoas), dtype: float64

In [271]:

    

treino, teste, treino_bilheteria, teste_bilheteria = train_test_split(filmes_investimento, filmes_bilheteria)


    

In [272]:

    

print('Tamanho treino: {0} Tamanho teste: {1} Total: {2} ({0} + {1})'.format(len(treino), len(teste), len(filmes_investimento)))


    

    




Tamanho treino: 6843 Tamanho teste: 2282 Total: 9125 (6843 + 2282)

In [273]:

    

print('Porcentagem treino {}'.format(len(treino)/len(filmes_investimento)))


    

    




Porcentagem treino 0.7499178082191781

In [274]:

    

type(treino)


    

    
Out[274]:





pandas.core.series.Series

In [275]:

    

treino = np.array(treino).reshape(len(treino),1)


    

In [276]:

    

type(treino)


    

    
Out[276]:





numpy.ndarray

In [277]:

    

teste = np.array(teste).reshape(len(teste),1)


    

In [278]:

    

type(teste)


    

    
Out[278]:





numpy.ndarray

In [279]:

    

treino_bilheteria = np.array(treino_bilheteria).reshape(len(treino_bilheteria),1)
teste_bilheteria= np.array(teste_bilheteria).reshape(len(teste_bilheteria),1)


    

In [280]:

    

modelo = LinearRegression()
modelo.fit(treino, treino_bilheteria)
modelo


    

    
Out[280]:





LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

In [281]:

    

modelo.intercept_


    

    
Out[281]:





array([ 5035154.26227927])

In [282]:

    

modelo.coef_


    

    
Out[282]:





array([[ 99976.87734099]])

In [283]:

    

modelo.predict(27.74456356)


    

    
Out[283]:





array([[ 7808969.09019682]])

In [284]:

    

modelo.coef_ * 27.74456356 + modelo.intercept_


    

    
Out[284]:





array([[ 7808969.09019682]])

In [285]:

    

modelo.score(treino, treino_bilheteria)


    

    
Out[285]:





0.54457208158176706

In [286]:

    

modelo.score(teste, teste_bilheteria)


    

    
Out[286]:





0.50228766437088179

In [287]:

    

treino, teste, treino_bilheteria, teste_bilheteria = train_test_split(filmes_investimento, filmes_bilheteria, test_size=0.10)


    

In [288]:

    

treino = np.array(treino).reshape(len(treino),1)
treino_bilheteria = np.array(treino_bilheteria).reshape(len(treino_bilheteria),1)
teste_bilheteria= np.array(teste_bilheteria).reshape(len(teste_bilheteria),1)
teste = np.array(teste).reshape(len(teste),1)


    

In [289]:

    

modelo_10 = LinearRegression()
modelo_10.fit(treino, treino_bilheteria)
modelo_10


    

    
Out[289]:





LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

In [290]:

    

modelo_10.score(treino, treino_bilheteria)


    

    
Out[290]:





0.53326487609719342

In [291]:

    

modelo_10.score(teste, teste_bilheteria)


    

    
Out[291]:





0.54755925931782312

In [ ]: