thiagosy / classificador-de-credito

Projeto 01 - Concessão de Cartões de Crédito

Este projeto consiste em desenvolver um sistema de análise de crédito para concessão de cartões de crédito. Utilizando técnicas de aprendizado de máquina, o objetivo é construir um modelo preditivo para identificar o risco de inadimplência de clientes.

Descrição

Este notebook é semelhante ao visto em vídeo, mas contém células azuis como esta, que trazem instruções para a sua atividade. Após realizar as tarefas indicadas, você vai fazer o upload do seu arquivo no GitHub e enviar o link para a EBAC, ou alternativamente, fazer o upload do arquivo na plataforma da EBAC. Recomendamos o GitHub, pois assim você já vai montando o seu portfólio.

Etapa 1 CRISP-DM: Entendimento do Negócio

Como primeira etapa do CRISP-DM, vamos entender do que se trata o negócio e quais os objetivos.

Este é um problema de concessão de cartões de crédito, publicado no Kaggle, uma plataforma que promove desafios de ciência de dados, oferecendo prêmios em dinheiro para os melhores colocados. O link original está aqui.

Essa é uma base de proponentes de cartão de crédito, nosso objetivo é construir um modelo preditivo para identificar o risco de inadimplência (tipicamente definida pela ocorrência de um atraso maior ou igual a 90 dias em um horizonte de 12 meses) através de variáveis que podem ser observadas na data da avaliação do crédito (tipicamente quando o cliente solicita o cartão).

Atividades do CRISP-DM:

• Objetivos do Negócio: O objetivo aqui é que o modelo sirva o mutuário (o cliente) para que avalie suas próprias decisões, e não a instituição de crédito.
• Objetivos da Modelagem: Desenvolver o melhor modelo preditivo de modo a auxiliar o mutuário a tomar suas próprias decisões referentes a crédito.

Nessa etapa também se avalia a situação da empresa/segmento/assunto de modo a se entender o tamanho do público, relevância, problemas presentes e todos os detalhes do processo gerador do fenômeno em questão, e portanto dos dados. Também é nessa etapa que se constrói um planejamento do projeto.

Etapa 2 CRISP-DM: Entendimento dos Dados

A segunda etapa é o entendimento dos dados. Foram fornecidas 15 variáveis mais a variável resposta (em negrito na tabela). O significado de cada uma dessas variáveis se encontra na tabela abaixo.

Dicionário de Dados

Os dados estão dispostos em uma tabela com uma linha para cada cliente, e uma coluna para cada variável armazenando as características desses clientes.

Nome da Variável	Descrição	Tipo
sexo	M = 'Masculino'; F = 'Feminino'	M/F
posse_de_veiculo	Y = 'possui'; N = 'não possui'	Y/N
posse_de_imovel	Y = 'possui'; N = 'não possui'	Y/N
qtd_filhos	Quantidade de filhos	inteiro
tipo_renda	Tipo de renda (ex: assalariado, autônomo etc)	texto
educacao	Nível de educação (ex: secundário, superior etc)	texto
estado_civil	Estado civil (ex: solteiro, casado etc)	texto
tipo_residencia	Tipo de residência (ex: casa/apartamento, com os pais etc)	texto
idade	Idade em anos	inteiro
tempo_de_emprego	Tempo de emprego em anos	inteiro
possui_celular	Indica se possui celular (1 = sim, 0 = não)	binária
possui_fone_comercial	Indica se possui telefone comercial (1 = sim, 0 = não)	binária
possui_fone	Indica se possui telefone (1 = sim, 0 = não)	binária
possui_email	Indica se possui e-mail (1 = sim, 0 = não)	binária
qt_pessoas_residencia	Quantidade de pessoas na residência	inteiro
mau	Indicadora de mau pagador (True = mau, False = bom)	binária

Estrutura do Projeto

• data/: Contém os conjuntos de dados utilizados no projeto.
• notebooks/: Notebooks Jupyter com análises e experimentos.
• src/: Código-fonte do projeto.
  • preprocessing/: Scripts para pré-processamento de dados.
  • models/: Scripts para construção e avaliação de modelos.
  • utils/: Funções utilitárias.
• reports/: Relatórios gerados durante o projeto.
• README.md: Documentação do projeto.

Instalação

1. Clone o repositório:

   git clone https://github.com/thiagosy/projeto-analise-credito.git
   cd projeto-analise-credito

2. Crie um ambiente virtual e ative-o:

   python -m venv venv
   source venv/bin/activate  # No Windows, use `venv\Scripts\activate`

3. Instale as dependências:

   pip install -r requirements.txt

Uso

1. Pré-processamento de Dados: Execute o script de pré-processamento para preparar os dados:

   python src/preprocessing/preprocess_data.py

2. Treinamento de Modelos: Treine os modelos utilizando o script de treinamento:

   python src/models/train_model.py

3. Avaliação de Modelos: Avalie a performance dos modelos:

   python src/models/evaluate_model.py

4. Deploy do Modelo: Implemente o modelo em produção:

   python src/deploy/deploy_model.py

Contribuição

Contribuições são bem-vindas! Sinta-se à vontade para abrir um pull request ou relatar problemas no repositório.

Licença

Este projeto está licenciado sob a Licença MIT. Veja o arquivo LICENSE para mais detalhes.