|
Download README.md from AdryanAzul/DeliveryETA: direct link, hf CLI and curl.
- Browser
- Download file 6.9 kB
-
https://huggingface.co/AdryanAzul/DeliveryETA/resolve/main/README.md
- Command line
-
hf download hf://AdryanAzul/DeliveryETA/README.md
-
curl -L -o README.md https://huggingface.co/AdryanAzul/DeliveryETA/resolve/main/README.md
6.9 kB
| language: | |
| - pt | |
| license: mit | |
| library_name: scikit-learn | |
| tags: | |
| - tabular-regression | |
| - delivery-eta | |
| - histgradientboosting | |
| - scikit-learn | |
| metrics: | |
| - mae | |
| - rmse | |
| - r2 | |
| # DoorDash Delivery ETA Prediction (`HistGradientBoostingRegressor`) | |
| > **AVISO IMPORTANTE:** Este modelo é **experimental** e **não está pronto para uso em produção real**. Trata-se de um modelo conservador de referência treinado exclusivamente com atributos confirmados no momento da criação do pedido, apresentando `R² = +0,0288` no conjunto de teste. | |
| ## Descrição e Objetivo | |
| Pipeline de Machine Learning (`ColumnTransformer` + `HistGradientBoostingRegressor`) desenvolvido para prever a duração total de entrega de pedidos de delivery (`delivery_duration_minutes`) a partir de informações disponíveis no momento do checkout. | |
| - **Repositório de código e notebooks (GitHub):** https://github.com/CarvalhoAdryan/DeliveryETA | |
| - **Artefato do modelo:** `final_hgb_eta_pipeline.joblib` | |
| --- | |
| ## Dataset e Origem | |
| - **Origem:** `historical_data.csv` disponibilizado pela **StrataScratch** no exercício *DoorDash Delivery Duration Prediction* (`197.428` linhas × `16` colunas originais; `197.421` válidas após remoção de `7` registros sem `actual_delivery_time`). | |
| - **Redistribuição:** O dataset bruto **não é redistribuído** neste repositório. | |
| - **Variável-alvo:** `delivery_duration_minutes = (actual_delivery_time - created_at).dt.total_seconds() / 60.0`. | |
| --- | |
| ## Features Utilizadas (`21` variáveis confirmadas) | |
| O modelo utiliza exclusivamente atributos com disponibilidade confirmada no instante de criação do pedido (`store_id` foi excluído do One-Hot Encoding por alta cardinalidade — `6.743` níveis — e variáveis operacionais/rota de disponibilidade incerta foram mantidas fora do modelo conservador): | |
| - **Metadados (One-Hot Encoding):** `market_id`, `store_primary_category`, `order_protocol`, `created_time_block` | |
| - **Carrinho e valores:** `total_items`, `subtotal`, `num_distinct_items`, `min_item_price`, `max_item_price`, `average_item_price`, `item_price_range`, `invalid_item_price_range`, `distinct_item_ratio`, `is_single_item`, `is_large_order` | |
| - **Temporais (horário registrado, aparente UTC):** `created_hour`, `created_dayofweek`, `created_month`, `created_is_weekend` | |
| - **Histórico causal e protocolo:** `estimated_order_place_duration`, `historical_store_order_count` | |
| --- | |
| ## Algoritmo, Hiperparâmetros e Validação Temporal | |
| - **Algoritmo:** `sklearn.ensemble.HistGradientBoostingRegressor` | |
| - **Hiperparâmetros congelados (Etapa 06.2):** | |
| - `loss="absolute_error"` (escolhida para robustez a outliers `> 24h` sem excluí-los do treino) | |
| - `learning_rate=0.08` | |
| - `max_iter=20` (definido via validação interna temporal 90/10 dentro do treino) | |
| - `max_leaf_nodes=63` | |
| - `min_samples_leaf=30` | |
| - `l2_regularization=0.0` | |
| - `early_stopping=False` | |
| - `random_state=42` | |
| - **Divisão Temporal com Embargo (Etapa 05, cortes às `10:00:00` UTC):** | |
| - **Treino:** `138.572` registros (`created_at < 2015-02-10 10:00:00`, entregas concluídas antes do corte) | |
| - **Validação:** `28.808` registros (`2015-02-10 10:00:00` a `2015-02-14 10:00:00`) | |
| - **Teste (isolado até a Etapa 07):** `30.041` registros (`created_at >= 2015-02-14 10:00:00`) | |
| --- | |
| ## Resultados (Validação e Teste Final) | |
| | Conjunto | Modelo | MAE (min) | RMSE (min) | MedAE (min) | P90_AE (min) | R² | Mean Bias | | |
| | :--- | :--- | ---: | ---: | ---: | ---: | ---: | ---: | | |
| | **Validação** (`n=28.808`) | Baseline (Median) | 12,8201 | 18,6790 | 9,9000 | 25,6667 | -0,0341 | -3,3927 | | |
| | **Validação** (`n=28.808`) | **HGB Congelado** | **12,1142** | **17,9219** | **9,2317** | **24,7196** | **+0,0480** | -2,8943 | | |
| | **Teste** (`n=30.041`) | Baseline (Median) | 14,1955 | 38,1036 | 10,4667 | 29,0833 | -0,0195 | -5,2643 | | |
| | **Teste** (`n=30.041`) | **HGB Congelado** | **12,7797** | **37,1903** | **9,2282** | **25,9125** | **+0,0288** | -4,6494 | | |
| - **Ganho sobre o baseline no teste:** `-9,97%` em MAE (`-1,4158 min`), `-11,83%` em MedAE (`-1,2385 min`), `-10,90%` em P90_AE (`-3,1708 min`) e `-2,40%` em RMSE (`-0,9133 min`). | |
| - **Tempo de treino:** `4,12 s` | **Inferência no teste (`30.041`):** `0,124 s`. | |
|  | |
| --- | |
| ## Interpretabilidade | |
| Por *Permutation Importance* na validação (`neg_mean_absolute_error`, `n=28.808`), as variáveis mais relevantes para reduzir o MAE foram: | |
| 1. `created_hour` (`+0,77159 min`) | |
| 2. `subtotal` (`+0,41535 min`) | |
| 3. `market_id` (`+0,13144 min`) | |
| 4. `created_dayofweek` (`+0,09240 min`) | |
| 5. `estimated_order_place_duration` (`+0,08987 min`) | |
| *(Importância preditiva não implica causalidade.)* | |
|  | |
| --- | |
| ## Limitações e Possíveis Aplicações | |
| - **Limitações:** | |
| - Baixo poder explicativo (`R² = +0,0288` no teste) por usar apenas atributos estáticos de checkout. | |
| - Superestimação em entregas rápidas (`<= 30 min`: Mean Bias `+15,62 min` no teste) e forte subestimação em atrasos (`> 120 min`: Mean Bias `-135,20 min` no teste). | |
| - Janela curta (~1 mês em 2015), timestamps em provável UTC sem fuso local por mercado e ausência de sinais em tempo real confirmados (congestionamento e distância de rota). | |
| - **Aplicações adequadas:** Estudo de portfólio, referência de baseline conservador com validação temporal rigorosa e ponto de partida para uma v2 com variáveis operacionais validadas e *target encoding* causal por loja. | |
| --- | |
| ## Como Carregar e Prever | |
| ```python | |
| import joblib | |
| import pandas as pd | |
| pipeline = joblib.load("final_hgb_eta_pipeline.joblib") | |
| sample = pd.DataFrame([{ | |
| "market_id": "1", | |
| "store_primary_category": "american", | |
| "order_protocol": "1", | |
| "total_items": 3, | |
| "subtotal": 2500, | |
| "num_distinct_items": 2, | |
| "min_item_price": 600.0, | |
| "max_item_price": 1200, | |
| "estimated_order_place_duration": 446, | |
| "created_hour": 2, | |
| "created_dayofweek": 5, | |
| "created_month": 2, | |
| "created_is_weekend": 1, | |
| "created_time_block": "00-05h_reg", | |
| "average_item_price": 833.33, | |
| "item_price_range": 600.0, | |
| "invalid_item_price_range": 0, | |
| "distinct_item_ratio": 0.6667, | |
| "is_single_item": 0, | |
| "is_large_order": 0, | |
| "historical_store_order_count": 25, | |
| }]) | |
| eta_minutes = pipeline.predict(sample)[0] | |
| print(f"ETA previsto: {eta_minutes:.2f} minutos") | |
| ``` | |
| --- | |
| ## Uso de Ferramentas de IA | |
| Ferramentas de inteligência artificial foram utilizadas como apoio ao longo do desenvolvimento deste projeto nas atividades de pesquisa técnica, auxílio na escrita/depuração de código, discussão de resultados exploratórios e organização da documentação. Todas as decisões metodológicas, verificações de integridade e resultados foram validados diretamente pela execução real dos experimentos. | |