import seaborn as sns
import matplotlib.pyplot as plt
sns.pairplot(df)
plt.show()
import statsmodels.api as sm
X = df[['Estrelas']]
y = df['Preco']
X = sm.add_constant(X)
modelo_simples = sm.OLS(y, X).fit()
print(modelo_simples.summary())
X = df[['Estrelas', 'ProximidadeTurismo', 'Capacidade']]
y = df['Preco']
X = sm.add_constant(X)
modelo_multiplo = sm.OLS(y, X).fit()
print(modelo_multiplo.summary())
X = df[['Estrelas', 'ProximidadeTurismo', 'Capacidade']]
y = df['Preco']
X = sm.add_constant(X)
modelo_multiplo = sm.OLS(y, X).fit()
print(modelo_multiplo.summary())
print("R² modelo simples:", modelo_simples.rsquared_adj)
print("R² modelo múltiplo:", modelo_multiplo.rsquared_adj)
O modelo de regressão múltipla apresentou maior poder explicativo do preço
dos quartos, evidenciado por um R² ajustado superior ao modelo simples.
As variáveis Estrelas e Capacidade mostraram-se estatisticamente significantes, indicando forte influência na precificação.
