O objetivo deste projeto é de desenvolver um meio de reduzir o número de dívidas não pagas, que geram prejuízo às empresas de crédito:
-
Construir uma maneira de classificar se existe risco ou não para cada cliente com base em suas características, sendo que o risco se dá pela classificação do indivíduo em dois grupos: devedores e não devedores.
-
Desenvolver algum meio de reduzir a chance de risco para cada cliente, otimizando alguns de seus parâmetros (como crédito fornecido a ele pela empresa, por exemplo).
Foi criada uma aplicação capaz de, ao receber certos dados de determinado indivíduo, gerar uma probabilidade do mesmo ser um cliente devedor. Ademais, foi também implementada nessa tal aplicação a função de otimização de parâmetros, a qual fornece possíveis valores para alguns parâmetros que irão resultar em uma menor chance do cliente ser um devedor.
Portanto, a aplicação feita estima a chance (probabilidade) de determinado cliente ser devedor e também fornece sugestões de valores que, ao serem atribuídos para o indivíduo, podem diminuir sua respectiva probabilidade de ser devedor.
Programa em funcionamento:
Abaixo, tem-se um resumo de cada pasta do projeto e seu conteúdo:
Pasta que contém o data set. Os dados dados foram obtidos no site do kaggle e podem ser acessados clicando aqui. Abaixo, é possível ter acessa ao que cada coluna traz de informação:
| Coluna | Conteúdo |
|---|---|
| age | Idade dos clientes |
| ed | Nível de educação dos clientes |
| employ | Experiência de emprego do cliente |
| address | Endereço do cliente |
| income | Salário anual do cliente |
| debtinc | Relação débito e salário do cliente |
| creddebt | Relação crédito e débito do cliente |
| othdebt | Outros débitos |
| default | Cliente não pagou suas dívidas anteriormente |
Pasta que contém os notebooks desenvolvidos
Neste documento, foi feita a análise exploratória do data set disponível em bankloans.csv, cuja estrutura foi abordada introdutoriamente no tópico anterior. Diversas informações, técnicas e gerais, foram extraídas e resumidas neste notebook, como também algumas imagens referentes a elas (imagens de gráficos e tabelas - armazenadas na pasta 'Imagens').
Este arquivo contém todo o pré processamento (tratamento) dos dados, assim como seu processamento e modelagem de alguns dos principais algoritmos de Machine Learning para classificação de dados. Ao final, foi feita também a avaliação de cada modelo utilizando de métricas como: precisão, recall, f1 score e matriz de confusão (visualizadas graficamente) e o melhor modelo foi salvo para uso na aplicação.
Pasta que contém as imagens salvas resultantes da AED, imagens referentes ao app e algumas outras imagens utilizadas no projeto.
Pasta que contém os modelos preditivos desenvolvidos nos notebooks. Nessa primeira versão do projeto, apenas um modelo foi desenvolvido, cuja finalidade é classificar clientes em devedores e não devedores.
Pasta que contém os arquivos referentes a aplicação do modelo. Vale ressaltar que o app é executado com o streamlit de forma local.
- numpy
- pandas
- matplotlib
- seaborn
- streamlit
- pickle
- sklearn
- skopt
Para executar a aplicação, basta acessar o arquivo "/App/app.py" no terminal e digitar o comando:
streamlit run app.py
Vale ressaltar que é necessário ter todas as bibliotecas utilizadas aqui já instaladas antes da execução do comando acima.
O python utilizado no desenvolvimento foi a versão 3.9 e o sistema operacional foi o Ubuntu 18.04.4 LTS.
Me chamo Vinícius, sou fascinado pela ciência de dados e encontrei nessa área uma paixão. Busco aprender constantemente para alcançar autoridade como Cientista de Dados profissional e atingir este que é meu objetivo de carreira.
Estudo Ciência da Computação na UNESP Bauru (estou no último ano do curso, tenho horários bastante flexíveis) e venho estudando ciência de dados para conseguir me consolidar no mercado.
Já realizei cursos, adquiri certificações e desenvolvi alguns projetos que envolvem e misturam conceitos como Python, análise e visualização de dados, Machine Learning (classificação, regressão, otimização, agrupamento) e SQL.
Tenho um site pessoal que contém mais informações sobre mim, minhas principais certificações e projetos: https://sites.google.com/view/vinicius-pilan/