Primeiro Projeto em Python e R

Como atividade final de um curso realizado, foi disponibilizado um arquivo contendo dados de clientes de uma instituição financeira e me foi desafiado reduzir o nível de inadimplência da empresa. Atualmente eles operam com 35% de inadimplentes, clientes que não pagam contas ou dívidas. Foram criadas três técnicas, dessa maneira pode-se escolher o modelo que mais atende ao que foi proposto: reduzir a taxa de inadimplência.

• 1º modelo – Árvore de decisão: Criação da uma árvore para a classificação da inadimplência, calculada a entropia, se tem a árvore completa para responder ao que lhe foi prosposto.

• 2 º modelo – Naive Bayes com seleção de atributos: Criado um modelo nos moldes Naive Bayes, se selecionou os atributos mais significantes para uma melhor precisão das respostas, chegando assim a uma classificação mais próxima da real.

• 3º modelo – Random Forest: Criação de várias árvores aleatórias, elas irão retornar o melhor modelo de acordo com as respostas combinadas dessas árvores criadas.

Python

Depois do comando export_graphviz(modelo, out_file = 'seuarquivo.dot'), um arquivo será criado e será encontrado no mesmo caminho que se encontra o seu código .py. Para saber como ficou, abra o arquivo .dot, copie todo o código ali escrito e cole nesse site aqui para visualizar a árvore.

R

Segue os resultados de cada um dos modelos.

Em “resultados_arvore” desconsidere os Data “modelo” e “modelo2”, não fazem parte do resultado do modelo.

Segue a imagem de como ficou a árvore criada e a matriz de confusão da árvore de decisão.

Katharine Pires