/python-analise-credito

:rocket: Análise de Crédito utilizando a linguagem Python com Machine Learning.

Primary LanguageJupyter NotebookMIT LicenseMIT

GitHub code size in bytes GitHub top language GitHub pull requests GitHub tag (latest SemVer) GitHub contributors GitHub last commit

GitHub stars GitHub followers GitHub forks

Análise de Crédito

Análise de Crédito utilizando a linguagem Python.

Instruções

  1. Inicialização dos container
docker-compose up -d
  1. Configurando o pgAdmin Acesse o link:

pgAdmin

Realize o login:

User: admin
Pass: admin

Clique em: Create >> Server

Conecte no Banco com os seguintes parâmetros:

Name: #nome desejado#

Parâmetros Configurações
Host python-analise-postgre
Port 5432
DB postgres
User postgres
Pass docker123
  1. Importando os dados

Execute o arquivo abaixo para importar os dados.

./database/insert-table.sql

  1. Criando um Ambiente Virtual e ativando
virtualenv env
source ./venv/bin/activate
  1. Instalando as dependências
pip3 install -r requirements.txt
  1. Cria todas as tabelas no Banco de Dados:
python3 manage.py makemigrations
python3 manage.py migrate
  1. Subo o site
python3 manage.py runserver

Testes realizados:

Foi realizado teste com 5 algoritmos de Machine Learning de Classificação:

Teste_Algoritmos.ipynb

  • KNN;
  • SVM;
  • NAIVE BAYES;
  • DECISION TREE;
  • MLP.

Tabelas de resultados:

Algoritmo Seed Best Acurácia
KNN 905 81.61%
DECISION TREE 269 80.83%
SVM 49 78.76%
MLP 210 78.5%
NAIVE BAYES 28 37.05%

O KNN por ter retornado a melhor acurácia foi utilizado no aplicativo

Tabelas de classificação:

Renda

Faixa Numero
< 20k 0
20k - 30k 1
30k - 40k 2
40k - 50k 3
50k - 60k 4
60k - 70k 5
> 70k 6

Idade

Faixa Numero
18 - 25 0
25 - 60 1
> 60 2

Empréstimo

Faixa Numero
< 20k 0
2k - 4k 1
4k - 6k 2
6k - 8k 3
8k - 10k 4
10k - 12k 5
14k - 16k 6
> 16k 7

Links

Panda Sample

SKLearn DecisionTreeClassifier
SKLearn GridSearchCV
SKLearn Naive Bayes
SKLearn SVM/SVC
SKLearn KNN
SKLearn Decision Tree Classifier
SKLearn Dump Models