Scribd
Carregar
19 visualizações2 páginas

Importar As Bibliotecas Necessárias

O documento descreve um guia passo a passo para criar um modelo preditivo que avalia o risco de inadimplência em candidatos a empréstimos. Os passos incluem a importação de bibliotecas, carregamento e exploração de dados, pré-processamento, divisão dos dados, treinamento do modelo com RandomForestClassifier e avaliação do desempenho. O documento também fornece um exemplo de previsão com novos dados.

Enviado por

Damilson Espelho
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
19 visualizações2 páginas

Importar As Bibliotecas Necessárias

O documento descreve um guia passo a passo para criar um modelo preditivo que avalia o risco de inadimplência em candidatos a empréstimos. Os passos incluem a importação de bibliotecas, carregamento e exploração de dados, pré-processamento, divisão dos dados, treinamento do modelo com RandomForestClassifier e avaliação do desempenho. O documento também fornece um exemplo de previsão com novos dados.

Enviado por

Damilson Espelho
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd

Powered by AI

Copilot

Para criar um modelo preditivo que ajude o banco a decidir se deve aprovar um empréstimo a um potencial
candidato, você pode seguir os seguintes passos:

1. Importar as Bibliotecas Necessárias


import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

2. Carregar e Explorar os Dados


# Carregar os dados
df = pd.read_csv('seu_arquivo.csv')

# Visualizar as primeiras linhas do dataframe


print(df.head())

# Verificar informações gerais sobre os dados


print(df.info())

3. Pré-processamento dos Dados


Tratar valores ausentes
Codificar variáveis categóricas
Normalizar variáveis numéricas
# Tratar valores ausentes
df.fillna(method='ffill', inplace=True)

# Codificar variáveis categóricas


label_encoders = {}
categorical_columns = ['Sex', 'Job', 'Housing', 'Saving accounts', 'Checking account', 'Purpose']

for column in categorical_columns:


le = LabelEncoder()
df[column] = le.fit_transform(df[column])
label_encoders[column] = le

# Normalizar variáveis numéricas


scaler = StandardScaler()
numerical_columns = ['Age', 'Credit amount', 'Duration']
df[numerical_columns] = scaler.fit_transform(df[numerical_columns])

4. Dividir os Dados em Conjunto de Treinamento e Teste


X = df.drop('Risk', axis=1)
y = df['Risk']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

5. Treinar o Modelo
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

6. Avaliar o Modelo
y_pred = model.predict(X_test)

# Avaliar a acurácia
accuracy = accuracy_score(y_test, y_pred)
print(f'Acurácia: {accuracy:.2f}')

# Matriz de confusão
conf_matrix = confusion_matrix(y_test, y_pred)
print('Matriz de Confusão:')
print(conf_matrix)

# Relatório de classificação
class_report = classification_report(y_test, y_pred)
print('Relatório de Classificação:')
print(class_report)

7. Fazer Previsões
# Exemplo de previsão com novos dados
novo_cliente = [[30, 1, 2, 1, 0, 1, 5000, 24, 0]]
novo_cliente = scaler.transform(novo_cliente)
previsao = model.predict(novo_cliente)
print(f'Previsão de Risco: {previsao[0]}')

Esses passos devem ajudá-lo a construir um modelo preditivo básico para prever o risco de inadimplência de
um candidato a empréstimo. Se precisar de mais detalhes ou tiver alguma dúvida específica, sinta-se à vontade
para perguntar!

Você também pode gostar