Abstract
Este estudo foca na validação de modelos de machine learning para a previsão de demanda na educação básica, através de uma análise de erro em várias dimensões diferentes. Comparando algoritmos lineares e de comitês, a avaliação não se limitou a simples acurácia, concentrando também na magnitude dos erros por meio de um conjunto de métricas (MAE, RMSE, MAPE). Os resultados comprovam que o LightGBM possui não apenas alta precisão, mas também erros consistentemente baixos, o que atesta sua confiabilidade. Conclui-se que esta metodologia de avaliação rigorosa do erro é importante para transformar modelos preditivos em ferramentas práticas para a tomada de decisão na gestão educacional.