https://github.com/paulo-santos-ds/churn

Este projeto tem como objetivo desenvolver um modelo capaz de prever se um cliente está prestes a deixar um banco fictício. Para isso, são analisados dados sobre o comportamento passado dos clientes e rescisões de contratos com o banco
https://github.com/paulo-santos-ds/churn

churn-analysis dados machine-learning modelo python3 sklearn-library

Last synced: 23 days ago
JSON representation

Este projeto tem como objetivo desenvolver um modelo capaz de prever se um cliente está prestes a deixar um banco fictício. Para isso, são analisados dados sobre o comportamento passado dos clientes e rescisões de contratos com o banco

• Host: GitHub
• URL: https://github.com/paulo-santos-ds/churn
• Owner: paulo-santos-ds
• Created: 2024-10-19T14:50:03.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2025-04-08T02:10:35.000Z (about 1 year ago)
• Last Synced: 2025-07-18T14:14:04.192Z (11 months ago)
• Topics: churn-analysis, dados, machine-learning, modelo, python3, sklearn-library
• Language: Jupyter Notebook
• Homepage:
• Size: 434 KB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Previsão de Churn

## Descrição do Projeto

Este projeto tem como objetivo desenvolver um modelo capaz de prever se um cliente está prestes a deixar um banco fictício. Para isso, são analisados dados sobre o comportamento passado dos clientes e rescisões de contratos com o banco.

## Ferramentas e Bibliotecas Utilizadas

- **Python**: Linguagem principal utilizada para a análise.

- **Pandas**: Biblioteca para manipulação e análise de dados.

- **Sklearn**: Biblioteca para construção de modelos de machine learning.

- **Matplotlib.pyplot**: Biblioteca para construção de gráficos.

- **Seaborn**: Biblioteca para construção de gráficos.

## Tabela

O conjunto de dados possui os seguintes campos:

- `RowNumber` — Índice das strings de dados

- `CustomerId` — Identificador exclusivo do cliente

- `Surname` — Sobrenome

- `CreditScore` — Pontuação de crédito

- `Geography` — País de residência

- `Gender` — Gênero

- `Age` — Idade

- `Tenure` — Período de maturação para o depósito fixo de um cliente (anos)

- `Balance` — Saldo da conta

- `NumOfProducts` — Número de produtos bancários usados pelo cliente

- `HasCrCard` — Cliente possui cartão de crédito (1 - sim; 0 - não)

- `IsActiveMember` — Cliente ativo (1 - sim; 0 - não)

- `EstimatedSalary` — Salário estimado

- `Exited` — O cliente saiu (1 - sim; 0 - não)

## Metodologia

### 1. Análise Exploratória de Dados

- Importar as bibliotecas necessárias.

- Carregar e visualizar os dados.

### 2. Pré-processamento

- Identificar e tratar valores ausentes ou duplicados.

### 3. Preparação do Conjunto para o Modelo

- Identificação das **features** e **target** do modelo.

- Divisão dos conjuntos em treino, teste e validação.

- Ajustando o equilíbrio de classes.

### 4. Construindo e Testando Modelos

- **Regressão Logística**

  - Treino

  - Teste

  - Validação

- Aplicação do modelo com e sem o equilíbrio de classes.

### 5. Métricas de Avaliação

- F1-score

- AUC-ROC

## Resultados

O modelo apresentou bons resultados nas métricas utilizadas, como o F1-score e o AUC-ROC. Embora o modelo não atinja o valor máximo em ambas as métricas, seu desempenho é aceitável para ser colocado em uso. Além disso, a Curva ROC indica que ele apresenta resultados superiores ao modelo aleatório.

## Aprendizados

- **Análise de dados**: Interpretação e extração de insights valiosos a partir de grandes volumes de dados.

- **Preparação do conjunto para Machine Learning**: Separação do conjunto original em treino e teste, além da seleção das features e target do modelo.

- **Equilíbrio de classes**: Ajuste das features do modelo para reduzir o viés de uma classe.

- **Aplicação de modelos de Machine Learning**: Aplicação, seleção de hiperparâmetros, teste e avaliação do modelo.

- **Documentação de projetos**: Elaboração de documentação clara e detalhada para garantir que o projeto seja compreensível e replicável.

- **Utilização de bibliotecas e ferramentas**: Aplicação prática de diversas bibliotecas e ferramentas do ecossistema Python.

- **Tomada de decisões baseadas em dados**: Uso de insights derivados da análise de dados para orientar decisões estratégicas.

## 🛠️ Instalação

1. Clone este repositório

2. Instale as dependências listadas acima

3. Execute o aplicativo: