https://github.com/paulo-santos-ds/dados-telefonia

Este projeto tem como objetivo desenvolver um modelo que possa analisar o comportamento do cliente e recomendar um dos planos mais recentes de uma companhia telefônica fictícia.
https://github.com/paulo-santos-ds/dados-telefonia

matplotlib numpy pandas python3 sklearn

Last synced: 13 days ago
JSON representation

Este projeto tem como objetivo desenvolver um modelo que possa analisar o comportamento do cliente e recomendar um dos planos mais recentes de uma companhia telefônica fictícia.

• Host: GitHub
• URL: https://github.com/paulo-santos-ds/dados-telefonia
• Owner: paulo-santos-ds
• Created: 2024-10-15T14:50:53.000Z (about 1 month ago)
• Default Branch: main
• Last Pushed: 2024-11-02T00:25:04.000Z (15 days ago)
• Last Synced: 2024-11-02T01:20:02.423Z (15 days ago)
• Topics: matplotlib, numpy, pandas, python3, sklearn
• Language: Jupyter Notebook
• Homepage:
• Size: 395 KB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Análise Planos de Telefonia

## Descrição do Projeto

Este projeto tem como objetivo desenvolver um modelo que possa analisar o comportamento do cliente e recomendar um dos planos mais recentes de uma companhia telefônica fictícia.

## Ferramentas e Bibliotecas Utilizadas

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

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

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

## Tabela

Para este projeto temos um conjunto de dados que já foi pré-processado.

Cada observação no conjunto de dados contém informações comportamentais mensais sobre um usuário. As informações dadas são as seguintes:

- **calls** — número de chamadas

- **minutes** — duração total da chamada em minutos

- **messages** — número de mensagens de texto

- **mb_used** — Tráfego de internet usado em MB

- **is_ultra** — plano para o mês atual (Ultra - 1, Smart - 0)

## Metodologia

### Análise Exploratória de Dados

1. Importar as bibliotecas necessárias

2. Carregar e visualizar os dados

3. Identificar se existem valores ausentes ou duplicados

### Preparação do conjunto para o modelo

1. Identificação das features e target do modelo

2. Divisão dos conjuntos em teste e treino

### Construindo e testando modelos

#### Árvore de Decisão

- Seleção de hiperparâmetros

- Treino

- Teste

- Acurácia

#### Floresta Aleatória

- Seleção de hiperparâmetros

- Treino

- Teste

- Acurácia

#### Regressão Logística

- Treino

- Teste

- Acurácia

## Resultados

Considerando apenas a acurácia como métrica para avaliação do modelo, aquele que apresentou o melhor resultado foi o modelo de Árvore de Decisão. Por isso recomendamos que o mesmo seja utilizado.

## Aprendizados

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

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

- **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.