Análise do Score de Crédito dos Clientes

Este projeto utiliza algoritmos de aprendizado de máquina para analisar dados de clientes de um banco e prever o score de crédito deles, categorizando-os em três classes: Poor, Standard, e Good. O objetivo principal foi identificar os padrões nos dados e treinar modelos para realizar previsões com boa acurácia.

Resultados do Projeto

1. Distribuição dos Scores de Crédito

A análise da distribuição dos scores de crédito mostra que a maioria dos clientes se encontra na categoria Standard. O número de clientes com scores classificados como Poor é intermediário, enquanto a categoria Good é a menos frequente.

Observações:

• A maioria dos clientes apresenta um score mediano (Standard).
• Poucos clientes atendem aos critérios mais elevados de crédito (Good).

---

2. Acurácia dos Modelos

Dois modelos foram utilizados para prever os scores de crédito: Random Forest e KNN (K-Nearest Neighbors). Os resultados mostram que o Random Forest obteve uma acurácia superior em comparação ao KNN.

Observações:

• Random Forest apresentou maior acurácia (~80%), sendo o modelo mais confiável.
• KNN apresentou uma acurácia menor (~70%), indicando que é menos adequado para este problema.

---

3. Importância das Características

O modelo Random Forest foi utilizado para calcular a importância relativa de cada variável nos resultados das previsões.

Observações:

• As características mais importantes para o modelo foram:
  1. Total de Crédito: Maior influência no score de crédito.
  2. Limite de Crédito: Indicador chave da capacidade financeira dos clientes.
  3. Histórico de Atrasos: Influência negativa no score de crédito.
• Características como Renda Mensal e Idade também apresentaram relevância significativa.
• Variáveis como Dívida de Carro e Dívida Pessoal tiveram pouca influência.

---

Conclusão

Este estudo revelou que o Random Forest é o modelo mais adequado para prever scores de crédito neste conjunto de dados, devido à sua alta acurácia e capacidade de lidar com características diversas. As variáveis relacionadas ao crédito e histórico financeiro desempenham papéis cruciais na definição do score de crédito.

Próximos Passos

1. Otimização do Modelo: Ajustar os hiperparâmetros do modelo Random Forest para aumentar ainda mais a acurácia.
2. Análise Detalhada: Explorar o impacto das características menos influentes.
3. Implementação: Desenvolver um sistema automatizado para prever scores de novos clientes.

---

Imagens de Resultados

• Distribuição dos Scores de Crédito
• Acurácia dos Modelos
• Importância das Características