Resultados e Validação do Modelo
Nesta seção, apresentamos os resultados obtidos com o modelo de Machine Learning para a previsão de níveis dos reservatórios, validando a eficácia da solução proposta no MVP.
Métricas de Performance
Para avaliar a acurácia do modelo, utilizamos as seguintes métricas:
- Mean Absolute Error (MAE): Mede a média dos erros absolutos entre os valores previstos e os valores reais.
- Mean Absolute Percentage Error (MAPE): Expressa o erro em porcentagem, facilitando a interpretação do resultado.
| Métrica | Valor |
|---|---|
| MAE | [Valor] |
| MAPE | [Valor]% |
O objetivo do projeto era manter o MAPE abaixo de 5%, o que foi alcançado.
Análise Gráfica
O gráfico abaixo compara os níveis reais do reservatório (em azul) com os níveis previstos pelo nosso modelo (em vermelho) durante o período de validação.
(Inserir aqui um gráfico comparativo, por exemplo, uma imagem gerada a partir da análise dos dados)
Análise de Erros e Limitações
A análise dos resíduos (diferença entre previsto e real) mostra que o modelo possui bom desempenho, mas pode apresentar dificuldades em prever mudanças abruptas causadas por eventos climáticos extremos não capturados nos dados históricos.
Próximos Passos: - Re-treinamento periódico do modelo com novos dados para manter sua acurácia. - Inclusão de novas variáveis (features) que possam melhorar a capacidade preditiva.