Projeto desenvolvido no último módulo do curso Cientista de Dados da Ebac.
Aplicação web feita com Streamlit,Python e Pycaret.Feito com o modelo "model_final.pkl" desenvolvido no projeto.
[ Projeto final EBAC ] [https://youtu.be/240Po07XrEs]
Neste projeto, estamos construindo um credit scoring para cartão de crédito, em um desenho amostral com 15 safras, e utilizando 12 meses de performance. Carregue a base de dados credit_scoring.ftr.
Variáveis: Considere que a variável data_ref não é uma variável explicativa, é somente uma variável indicadora da safra, e não deve ser utilizada na modelagem. A variávei index é um identificador do cliente, e também não deve ser utilizada como covariável (variável explicativa). As restantes podem ser utilizadas para prever a inadimplência, incluindo a renda.
Descreva a base quanto ao número de linhas, número de linhas para cada mês em data_ref. Faça uma descritiva básica univariada de cada variável. Considere as naturezas diferentes: qualitativas e quantitativas.
Uma análise descritiva bivariada é uma técnica estatística usada para analisar a relação entre duas variáveis. Ela busca fornecer uma descrição detalhada das características conjuntas de duas variáveis e identificar possíveis padrões ou associações entre elas.
Trate valores missings e outliers Trate 'zeros estruturais' Faça agrupamentos de categorias conforme vimos em aula Proponha uma equação preditiva para 'mau' Caso hajam categorias não significantes, justifique
Avalie estas métricas nas bases de desenvolvimento e out of time.
e o aprendizado de máquina, é um conjunto de etapas sequenciais que são realizadas em um fluxo contínuo para processar dados e construir um modelo preditivo.
Para treinar um modelo de regressão logística, é necessário ter um conjunto de dados rotulados, onde as variáveis independentes (ou características) estão relacionadas ao resultado binário (0 ou 1) que você deseja prever. Aqui está um exemplo básico de como treinar um modelo de regressão logística usando Python e a biblioteca Scikit-learn: