Update app.py

app.py

@@ -21,6 +21,8 @@ def generate_king_county_data(n_samples=2000):
     """Gera dados realísticos simulando o dataset King County"""
     np.random.seed(42)
     
+    print("🎯 Gerando dados do King County...")
+    
     # Gerar características básicas
     sqft_living = np.random.normal(2080, 920, n_samples)
     sqft_living = np.clip(sqft_living, 370, 13540)
@@ -76,7 +78,10 @@ def generate_king_county_data(n_samples=2000):
         'sqft_basement': sqft_living * 0.2,
     }
     
-    return pd.DataFrame(data)
+    df = pd.DataFrame(data)
+    print(f"✅ Dados gerados: {df.shape[0]} imóveis, {df.shape[1]} características")
+    print(f"💰 Preço médio: ${df['price'].mean():,.2f}")
+    return df
 
 class HousePricePredictor:
     def __init__(self):
@@ -85,12 +90,17 @@ class HousePricePredictor:
         self.df = None
         self.is_trained = False
         self.selected_features = None
+        self._data_loaded = False
         
     def load_data(self):
         """Carrega dados gerados"""
         try:
-            self.df = generate_king_county_data()
-            return f"✅ Dados carregados: {self.df.shape[0]} imóveis × {self.df.shape[1]} características"
+            if not self._data_loaded:
+                self.df = generate_king_county_data()
+                self._data_loaded = True
+                return f"✅ Dados carregados: {self.df.shape[0]} imóveis × {self.df.shape[1]} características"
+            else:
+                return f"✅ Dados já carregados: {self.df.shape[0]} imóveis × {self.df.shape[1]} características"
         except Exception as e:
             return f"❌ Erro ao carregar dados: {str(e)}"
     
@@ -194,9 +204,15 @@ class HousePricePredictor:
 # Instanciar o predictor
 predictor = HousePricePredictor()
 
+# Carregar dados uma vez no início
+print("🚀 Iniciando aplicação...")
+initial_message = predictor.load_data()
+initial_features = predictor.get_numeric_features()
+print(f"📊 Features disponíveis: {initial_features}")
+
 # Funções para a interface Gradio
 def load_data_action():
-    """Carrega os dados"""
+    """Carrega os dados - função para o botão"""
     message = predictor.load_data()
     features = predictor.get_numeric_features()
     
@@ -264,7 +280,7 @@ def train_model_action(*checkbox_values):
 def create_correlation_plot():
     """Cria gráfico de correlação"""
     if predictor.df is None:
-        return None
+        return gr.update(value=None)
     
     try:
         # Selecionar features mais importantes
@@ -280,7 +296,7 @@ def create_correlation_plot():
         fig, ax = plt.subplots(figsize=(10, 8))
         sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='RdYlBu', center=0,
                    square=True, linewidths=0.5, cbar_kws={"shrink": 0.8}, ax=ax)
-        ax.set_title('Matriz de Correlação', fontsize=14, fontweight='bold')
+        ax.set_title('Matriz de Correlação entre Variáveis', fontsize=14, fontweight='bold')
         plt.tight_layout()
         return fig
     except Exception as e:
@@ -326,7 +342,7 @@ def create_feature_analysis_plot(selected_feature):
         ax2.set_xlabel(selected_feature)
         ax2.set_ylabel('Preço ($)')
         correlation = predictor.df[selected_feature].corr(predictor.df['price'])
-        ax2.set_title(f'Preço vs {selected_feature} (Corr: {correlation:.3f})')
+        ax2.set_title(f'Relação com Preço (Corr: {correlation:.3f})')
         ax2.grid(True, alpha=0.3)
         plt.tight_layout()
         
@@ -349,7 +365,7 @@ def create_price_distribution_plot():
                label=f'Mediana: ${predictor.df["price"].median():,.0f}')
     ax.set_xlabel('Preço ($)')
     ax.set_ylabel('Número de Imóveis')
-    ax.set_title('Distribuição dos Preços dos Imóveis')
+    ax.set_title('Distribuição dos Preços dos Imóveis - King County')
     ax.legend()
     ax.grid(True, alpha=0.3)
     plt.tight_layout()
@@ -364,13 +380,18 @@ def get_feature_stats(feature):
     correlation = predictor.df[feature].corr(predictor.df['price'])
     
     return f"""
-    **Estatísticas de {feature}:**
+    ## 📊 Estatísticas de **{feature}**
+    
+    **Valores:**
     - Média: {stats['mean']:.2f}
     - Mediana: {stats['50%']:.2f}
     - Desvio Padrão: {stats['std']:.2f}
     - Mínimo: {stats['min']:.2f}
     - Máximo: {stats['max']:.2f}
-    - Correlação com Preço: {correlation:.3f}
+    
+    **Relação com Preço:**
+    - Correlação: {correlation:.3f}
+    - Interpretação: {'Forte' if abs(correlation) > 0.5 else 'Moderada' if abs(correlation) > 0.3 else 'Fraca'} relação
     """
 
 def create_prediction_inputs(metrics_result):
@@ -391,7 +412,7 @@ def create_prediction_inputs(metrics_result):
             
             inputs.append(
                 gr.Slider(
-                    label=feature,
+                    label=f"🏠 {feature}",
                     minimum=min_val,
                     maximum=max_val,
                     value=mean_val,
@@ -423,12 +444,15 @@ def predict_price_action(*feature_values):
         features_summary = "\n".join([f"- **{k}**: {v:.2f}" for k, v in input_features.items()])
         
         result_text = f"""
-        ## Previsão de Preço
+        ## 🏠 Previsão de Preço do Imóvel
         
-        **💰 Preço Estimado: ${pred_price:,.2f}**
+        ### 💰 **Preço Estimado: ${pred_price:,.2f}**
         
-        **Características:**
+        ### 📋 Características Informadas:
         {features_summary}
+        
+        ---
+        *Nota: Previsão baseada no modelo de regressão linear treinado.*
         """
         
         return result_text, pred_price
@@ -437,52 +461,72 @@ def predict_price_action(*feature_values):
         return f"❌ Erro na previsão: {str(e)}", None
 
 # Interface Gradio
-with gr.Blocks(title="Previsão de Preços de Imóveis") as demo:
+with gr.Blocks(title="🏠 Análise e Previsão de Preços de Imóveis") as demo:
     gr.Markdown(
         """
         # 🏠 Análise e Previsão de Preços de Imóveis
-        ## King County, Washington
+        ## King County, Washington - USA
         
-        Analise dados imobiliários e faça previsões de preços usando machine learning.
+        ### 📊 Dados Carregados Automaticamente
+        Este aplicativo utiliza dados **realísticos** simulando o mercado imobiliário de King County.
         """
     )
     
-    # Carregar dados automaticamente ao iniciar
-    initial_message = predictor.load_data()
-    initial_features = predictor.get_numeric_features()
+    # Status inicial
+    initial_status = gr.Markdown(f"**Status:** {initial_message}")
     
+    with gr.Tab("🚀 Iniciar"):
+        gr.Markdown("### Bem-vindo ao Analisador de Preços de Imóveis!")
+        
+        gr.Markdown("""
+        **🎯 O que você pode fazer:**
+        
+        1. **📊 Análise Exploratória** - Explore gráficos e estatísticas dos dados
+        2. **🤖 Treinar Modelo** - Selecione features e treine um modelo de previsão  
+        3. **💰 Fazer Previsão** - Estime preços com base nas características
+        4. **📚 Explicações** - Entenda os conceitos e interpretações
+        
+        **Dados disponíveis:**
+        - Preços de imóveis de $75,000 a $5,000,000
+        - Características como área, quartos, banheiros, localização
+        - 2,000 imóveis simulados do mercado de King County
+        """)
+        
+        load_btn = gr.Button("🔄 Recarregar Dados", variant="secondary")
+        load_btn.click(load_data_action, outputs=[initial_status, feature_selection, train_btn])
+
     with gr.Tab("📊 Análise Exploratória"):
-        gr.Markdown("### Explore os Dados")
+        gr.Markdown("### Explore os Dados e Visualize Relações")
         
         with gr.Row():
             with gr.Column():
-                gr.Markdown("**Distribuição de Preços**")
-                price_plot_btn = gr.Button("Gerar Gráfico", variant="primary")
+                gr.Markdown("#### 📈 Distribuição de Preços")
+                price_plot_btn = gr.Button("🎨 Gerar Gráfico de Preços", variant="primary")
                 price_plot = gr.Plot()
             
             with gr.Column():
-                gr.Markdown("**Correlações**")
-                correlation_btn = gr.Button("Gerar Matriz", variant="primary")
+                gr.Markdown("#### 🔗 Correlações entre Variáveis")
+                correlation_btn = gr.Button("🔄 Gerar Matriz de Correlação", variant="primary")
                 correlation_plot = gr.Plot()
         
         gr.Markdown("---")
-        gr.Markdown("**Análise por Feature**")
+        gr.Markdown("#### 🔍 Análise Detalhada por Feature")
         
         with gr.Row():
             with gr.Column():
                 feature_selector = gr.Dropdown(
-                    label="Selecione uma feature",
+                    label="Selecione uma característica para análise detalhada",
                     choices=initial_features,
                     value=initial_features[0] if initial_features else None
                 )
                 feature_stats = gr.Markdown()
             
             with gr.Column():
-                feature_analysis_btn = gr.Button("Analisar", variant="primary")
+                feature_analysis_btn = gr.Button("📈 Analisar Feature", variant="primary")
         
         with gr.Row():
-            feature_dist_plot = gr.Plot()
-            feature_price_plot = gr.Plot()
+            feature_dist_plot = gr.Plot(label="Distribuição da Feature")
+            feature_price_plot = gr.Plot(label="Relação com Preço")
         
         # Eventos
         price_plot_btn.click(create_price_distribution_plot, outputs=[price_plot])
@@ -498,13 +542,22 @@ with gr.Blocks(title="Previsão de Preços de Imóveis") as demo:
             return get_feature_stats(feature)
         
         feature_selector.change(update_stats, inputs=[feature_selector], outputs=[feature_stats])
-    
+        
+        # Inicializar estatísticas da primeira feature
+        if initial_features:
+            feature_stats.value = get_feature_stats(initial_features[0])
+
     with gr.Tab("🤖 Treinar Modelo"):
-        gr.Markdown("### Treine o Modelo de Previsão")
+        gr.Markdown("### Configure e Treine o Modelo de Previsão")
         
-        gr.Markdown(f"**Status:** {initial_message}")
-        gr.Markdown("Selecione as features para o modelo:")
+        gr.Markdown("""
+        **🎯 Como Funciona:**
+        - Selecione as características que deseja usar para prever preços
+        - Features com alta correlação (próximas de 1 ou -1) geralmente são melhores preditoras
+        - O modelo usará **Regressão Linear** para aprender os padrões
+        """)
         
+        # Criar checkboxes para features
         feature_checkboxes = []
         if initial_features and predictor.df is not None:
             correlations = predictor.df.corr()['price'].abs().sort_values(ascending=False)
@@ -523,23 +576,29 @@ with gr.Blocks(title="Previsão de Preços de Imóveis") as demo:
                 )
         
         feature_selection = gr.Column(feature_checkboxes)
-        train_btn = gr.Button("Treinar Modelo", variant="primary", size="lg")
-        train_output = gr.Markdown()
-        metrics_display = gr.JSON(visible=False)
+        train_btn = gr.Button("🚀 Treinar Modelo de Previsão", variant="primary", size="lg", visible=bool(initial_features))
+        train_output = gr.Markdown("Selecione as features acima e clique em 'Treinar Modelo'")
+        metrics_display = gr.JSON(label="Métricas Detalhadas", visible=False)
         
         train_btn.click(
             train_model_action,
             inputs=[feature_selection],
             outputs=[train_output, metrics_display, metrics_display]
         )
-    
+
     with gr.Tab("💰 Fazer Previsão"):
-        gr.Markdown("### Faça uma Previsão")
+        gr.Markdown("### Faça uma Previsão de Preço")
+        gr.Markdown("Ajuste os valores das características para estimar o preço de um imóvel:")
         
         prediction_inputs = gr.Column()
-        predict_btn = gr.Button("Calcular Preço", variant="primary", size="lg")
-        prediction_output = gr.Markdown()
-        price_result = gr.Number(visible=False)
+        predict_btn = gr.Button("🎯 Calcular Preço do Imóvel", variant="primary", size="lg")
+        
+        with gr.Row():
+            prediction_output = gr.Markdown("Preencha os valores acima e clique em 'Calcular Preço'")
+            price_result = gr.Number(
+                label="💵 Preço Previsto",
+                visible=False
+            )
         
         # Atualizar inputs quando modelo for treinado
         def update_prediction_inputs(metrics):
@@ -559,39 +618,50 @@ with gr.Blocks(title="Previsão de Preços de Imóveis") as demo:
     with gr.Tab("📚 Explicações"):
         gr.Markdown(
             """
-            ## Guia de Uso
+            ## 📊 Guia Completo de Análise
             
-            ### 📊 Análise Exploratória
-            - **Distribuição de Preços**: Veja como os preços estão distribuídos
-            - **Matriz de Correlação**: Identifique relações entre variáveis
-            - **Análise por Feature**: Explore cada característica individualmente
+            ### 🏠 Sobre os Dados
+            **King County** inclui Seattle e é um mercado imobiliário dinâmico. Os dados simulados incluem:
+            - **Preços**: De $75,000 a $5,000,000
+            - **Características**: Área, quartos, banheiros, localização, qualidade, etc.
+            - **Período**: Imóveis de 1900 até 2015
             
-            ### 🤖 Treinamento do Modelo
-            - Selecione features com alta correlação com preço
-            - O modelo usa Regressão Linear
-            - Métricas: R², RMSE, MAE
+            ### 📈 Interpretação dos Gráficos
             
-            ### 💰 Previsões
-            - Ajuste os valores das características
-            - Obtenha previsões de preço em tempo real
-            - Baseado no modelo treinado
+            #### 1. Distribuição de Preços
+            - **Histograma**: Mostra quantos imóveis existem em cada faixa de preço
+            - **Média vs Mediana**: Se a média > mediana, há imóveis muito caros puxando a média
+            - **Assimetria**: Mercados reais geralmente têm assimetria positiva (mais imóveis baratos)
             
-            ### 📈 Interpretação
-            - **R²**: Proporção da variância explicada (0-1)
-            - **RMSE**: Erro médio em dólares
-            - **Correlação**: Força da relação entre variáveis (-1 a +1)
+            #### 2. Matriz de Correlação
+            - **🔴 Vermelho**: Correlação positiva (ex: área maior → preço maior)
+            - **🔵 Azul**: Correlação negativa (ex: ano mais antigo → preço menor)  
+            - **Valores**: -1 (perfeita negativa) a +1 (perfeita positiva)
+            - **Para modelo**: Busque features com |correlação| > 0.3 com preço
+            
+            #### 3. Análise por Feature
+            - **Distribuição**: Como os valores se espalham (normal, assimétrica)
+            - **Relação com Preço**: Padrão linear? Há outliers?
+            - **Boxplot**: Mostra mediana, quartis e valores extremos
+            
+            ### 🤖 Sobre o Modelo
+            - **Algoritmo**: Regressão Linear Múltipla
+            - **Transformação**: Logarítmica nos preços para normalizar
+            - **Avaliação**: R² mostra % da variância explicada (0-100%)
+            - **Coeficientes**: Impacto de cada feature no preço final
+            
+            ### 💡 Dicas para Boas Previsões
+            1. **Selecione features relevantes**: Área, quartos, localização
+            2. **Evite multicolinearidade**: Não use features muito correlacionadas entre si
+            3. **Verifique relações lineares**: Features com relação clara com preço funcionam melhor
+            4. **Considere o contexto**: Características únicas podem afetar preços reais
+            
+            ### 🎯 Métricas do Modelo
+            - **R²**: 0.7-0.9 = Excelente, 0.5-0.7 = Bom, <0.5 = Precisa melhorar
+            - **RMSE**: Erro médio em dólares (ideal: <20% do preço médio)
+            - **Coeficientes**: Mostram quanto cada feature impacta no preço
             """
         )
 
-# Inicializar estatísticas da primeira feature
-if initial_features:
-    initial_stats = get_feature_stats(initial_features[0])
-else:
-    initial_stats = "Nenhuma feature disponível"
-
-# Atualizar o componente de estatísticas
-if 'feature_stats' in locals():
-    feature_stats.value = initial_stats
-
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch(share=True)