💳 Predição de Inadimplência com Machine Learning

Este projeto tem como objetivo prever a inadimplência de clientes com base em dados de aplicação para crédito e histórico de pagamentos. Usamos algoritmos de machine learning supervisionado para construir modelos preditivos que classificam os clientes como bons ou maus pagadores.

---

📂 Conjuntos de Dados

Foram utilizados dois arquivos públicos:

• application_record.csv: Contém dados pessoais e socioeconômicos dos clientes.
• credit_record.csv: Contém o histórico de pagamentos dos clientes com status mensal de crédito.

---

🔧 Etapas do Projeto

1. Carregamento e limpeza de dados

• Remoção de colunas com muitos valores ausentes (OCCUPATION_TYPE);
• Eliminação de duplicatas;
• Conversão de variáveis categóricas para numéricas com LabelEncoder.

2. Análise exploratória (EDA)

• Visualização da distribuição da renda total;
• Verificação de desequilíbrio das classes.

3. Pré-processamento

• Junção dos datasets via ID;
• Criação da variável target (STATUS: 0 = bom pagador, 1 = mau pagador);
• Normalização com MinMaxScaler.

4. Balanceamento com SMOTE

• Uso do SMOTE para gerar dados sintéticos da classe minoritária.

5. Modelagem

• Modelos utilizados:

  • GradientBoostingClassifier
  • DecisionTreeClassifier
  • VotingClassifier

• Treinamento e avaliação com matriz de confusão e acurácia.

6. Interpretação

• Importância das variáveis no modelo de Gradient Boosting;
• Visualização da árvore de decisão.

---

🤖 Modelos de Machine Learning

Modelo	Acurácia (exemplo)	Vantagens
Gradient Boosting	93%+	Alta performance e robustez
Decision Tree (profunda)	87%+	Interpretação visual fácil

Os valores exatos de acurácia podem variar conforme o split do dataset.

---

📈 Visualizações

• Histograma da renda dos clientes;

• Matriz de confusão para avaliação de modelos;

• Gráfico de importância das variáveis;

• Árvore de decisão plotada com critérios de divisão.

• Validação do Modelo de confusão com ML

• Matriz de confusão para análise final

---

📦 Instalação

1. Clone o repositório:

git clone https://github.com/lucasgrezzi/ProjCredito
cd ProjCredito