Implemente uma função que realize uma previsão de congestionamento com base em dados históricos. A função deve receber um dataframe com colunas 'hora', 'dia_semana', e 'volume_trafego', e retornar a probabilidade de congestionamento.

exercicio8.py

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score

def prever_congestionamento(df):
    """
    Previsão de congestionamento com base em dados históricos de tráfego.
    
    Args:
    df (pd.DataFrame): DataFrame contendo 'hora', 'dia_semana' e 'volume_trafego'.
    
    Returns:
    probabilidade (float): Probabilidade de congestionamento.
    """
    # Definir variável de entrada (X) e alvo (y)
    X = df[['hora', 'dia_semana', 'volume_trafego']]
    
    # Criar a variável alvo (0 = sem congestionamento, 1 = congestionamento)
    # Aqui, vamos definir uma lógica simples para o congestionamento: 
    # Se o volume de tráfego for superior a 80, consideramos que há congestionamento.
    y = (df['volume_trafego'] > 80).astype(int)
    
    # Normalizar os dados de entrada
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)
    
    # Dividir os dados em treino e teste
    X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)
    
    # Criar e treinar o modelo de regressão logística
    modelo = LogisticRegression()
    modelo.fit(X_train, y_train)
    
    # Fazer previsões no conjunto de teste
    y_pred = modelo.predict(X_test)
    
    # Avaliar a acurácia do modelo
    acuracia = accuracy_score(y_test, y_pred)
    print(f'Acurácia do modelo: {acuracia:.2f}')
    
    # Prever a probabilidade de congestionamento para a última entrada no DataFrame
    probabilidade = modelo.predict_proba([X_scaled[-1]])[0][1]
    
    return probabilidade

# Exemplo de uso:
# Criar um DataFrame de exemplo com dados fictícios
data = {
    'hora': [8, 9, 10, 11, 12, 13, 14, 15, 16, 17],
    'dia_semana': [0, 1, 2, 3, 4, 5, 6, 0, 1, 2],
    'volume_trafego': [70, 85, 60, 50, 55, 95, 80, 75, 90, 100]
}
df = pd.DataFrame(data)

# Prever o congestionamento
probabilidade_congestionamento = prever_congestionamento(df)
print(f'Probabilidade de congestionamento: {probabilidade_congestionamento:.2f}')