DataCurrencies

Bem-vindo ao projeto DataCurrencies.

Sumário

• Etapas do Projeto
• Começando
• Contribuição
• Licença
• Contato

Etapas do Projeto

O projeto é estruturado em três etapas fundamentais:

1. ETL de Dados Brutos

O processo começa com a Extração, Transformação e Carregamento (ETL) dos dados brutos. Nesta etapa, lidamos com a aquisição dos dados, limpando-os e transformando-os em um formato estruturado e pronto para análise.

2. Análise Exploratória de Dados (EDA)

Uma vez que os dados estejam limpos e prontos, mergulhamos neles através da Análise Exploratória de Dados (EDA). Esta etapa nos permite compreender as características intrínsecas dos dados, identificar padrões, anomalias e relações fundamentais entre as variáveis.

3. Modelagem em uma Regressão Logística

Com um entendimento dos dados em mãos, passamos para a etapa de Modelagem. Utilizamos a regressão logística para entender e quantificar as relações entre nossas variáveis independentes e dependentes. Este modelo nos proporciona uma maneira robusta de prever e inferir fenômenos a partir dos dados.

App Streamlit

Este documento fornece instruções sobre como utilizar o script app.py, que é um aplicativo de Streamlit construído para visualizar e prever dados de pontuação de crédito.

Pré-requisitos

Para rodar o aplicativo, você precisará ter os seguintes itens instalados:

• Python 3.6 ou superior
• Streamlit
• Pandas
• NumPy
• Matplotlib
• Seaborn
• Scikit-learn
• LightGBM
• Pickle

Rodando o Aplicativo

Para iniciar o aplicativo, navegue até o diretório contendo app.py e execute o seguinte comando no terminal: streamlit run app.py

Funcionalidades do Aplicativo

1. Carregar e Visualizar Dados

   • O aplicativo inicia carregando um conjunto de dados de pontuação de crédito (espera-se um arquivo chamado credit_scoring.ftr).
   • Métricas chave são exibidas, como número total de clientes, renda anual média, idade média dos clientes e percentual de clientes devedores.
   • São gerados gráficos para distribuições de idade, posse de veículo, posse de imóvel, etc.

2. Análise Bivariada

   • São exibidos gráficos que mostram relações entre diferentes variáveis, como posse de veículo e posse de imóvel, bem como número médio de filhos por faixa etária.

3. Avaliação da Base de Clientes Recentes

   • É possível fazer upload de um arquivo .ftr para a base de clientes recentes e selecionar um modelo de predição.
   • O modelo escolhido (Regressão Logística ou LightGBM) é utilizado para fazer previsões na nova base de clientes.
   • Os resultados da previsão podem ser baixados como um arquivo .ftr.

Contribuição

Sua contribuição é muito bem-vinda!

Licença

Este projeto está licenciado sob a Licença MIT.

Contato

Caso tenha dúvidas, sugestões ou feedbacks, fique à vontade para nos contatar.

---