Projeto de Disciplina: Avaliação de Risco de Crédito

Pós-Graduação em Machine Learning, Deep Learning e Inteligência Artificial
Disciplina: Fundamentos de Machine Learning com Scikit-Learn
Professor: Icaro Augusto Maccari Zelioli
Alunos: Fabio Ferreira Figueiredo Felipe Moreira Szczpanski Lauro Camilo Barbosa Marques da Rocha

---

Visão Geral do Projeto

Este projeto avalia o risco de inadimplência de tomadores de crédito utilizando o dataset Give Me Some Credit (Kaggle). A modelagem preditiva foi desenvolvida do zero empregando algoritmos como Perceptron, Árvores de Decisão e Random Forest da biblioteca scikit-learn.

O projeto aplica aprendizado de máquina para capturar correlações não lineares. A abordagem segue uma progressão lógica de complexidade: desde um baseline linear interpretável até ensembles de alta performance, sempre priorizando a explicabilidade exigida pelo contexto regulatório financeiro (LGPD e BACEN).

O objetivo principal é prever se um cliente incorrerá em uma inadimplência grave (atraso nas obrigações financeiras por 90 dias ou mais) nos próximos dois anos, utilizando variáveis demográficas, financeiras e comportamentais.

---

O Dataset: Give Me Some Credit

A base de dados utilizada provém de uma competição do Kaggle (brycecf/give-me-some-credit-dataset) elaborada para construir algoritmos que definem quem pode ou não sofrer dificuldades financeiras no curto/médio prazo. O problema é formulado como uma classificação binária sobre o dataset de aproximadamente 150.000 registros.

Desafios Técnicos do Dataset

Os dados financeiros reais trazem características que tornam a modelagem mais complexa:

• Desbalanceamento Extremo: Apenas cerca de 6,7% dos registros representam clientes inadimplentes (classe positiva), foi utilizado F1-Score e class_weight="balanced" para mitigar o viés da maioria.
• Valores Ausentes: Volumes de dados faltantes acentuados, especialmente nas features MonthlyIncome (~20%) e NumberOfDependents (~2,5%).
• Outliers: Presença de exceções em dados financeiros (ex: utilização de cartão acima de 100%, ou taxas de endividamento fora do comum, tratados via pipelines de pré-processamento estatístico.

O projeto aplica técnicas robustas de engenharia de features, preenchimento estatístico via Pipeline (SimpleImputer com medianas), e hiperparametrização via GridSearchCV focada na métrica estrutural de F1-Score, balanceando Recall e Precision frente à minoria de casos positivos.

---

O que o Notebook Faz

O arquivo projeto_credito_supervisionado.ipynb cobre todo o ciclo de vida do pipeline de Machine Learning:

1. Setup e EDA (Exploratory Data Analysis):
   • Configura o Python e pacotes. Valida a infraestrutura através de virtualenvs.
   • Analisa e trata assimetrias multivariadas, correlações e a distribuição do atributo alvo (SeriousDlqin2yrs).
2. Pré-Processamento Linear:
   • Desenvolve Pipelines do scikit usando transformadores como StandardScaler.
3. Modelagem Baseline:
   • Treinamento e análise direcional com o classificador linear determinístico (Perceptron), expondo os pesos das features e mostrando a limitação das fronteiras lineares.
4. Árvores de Decisão:
   • Treinamentos não lineares, validando caminhos explicáveis.
   • Aplicação de StratifiedKFold e GridSearchCV controlando max_depth e variâncias do modelo para evitar overfitting severo.
5. Ensambles e Otimização Final:
   • Modelagem de complexidade superior usando agrupamento via RandomForestClassifier.
6. Desfecho Analítico:
   • Produção de um framework comparador interativo (Precision-Recall / AUC-ROC).
   • Levantamento de um racional conclusivo: os impactos de aprovar maus pagadores (Falso Negativo) vs negar bons tomadores (Falso Positivo).

Resultados Esperados

Ao final do processo de triagem e cross validation, o Random Forest figura como o melhor detentor da métrica F1, estabilizando e diminuindo as altas variações intrínsecas ao modelo unitário (Árvore Convencional), destacando featuers financeiras chave no balanço final antes das recomendações aos gestores de carteira.

Conclusões e Viabilidade Real

Para o cenário de BB Asset / Contexto BACEN:

• O Random Forest é recomendado para o motor de scoring de alta precisão.

• A Árvore Otimizada serve como ferramenta de auditoria para o Art. 20 da LGPD, permitindo explicar negativas de crédito de forma clara.

---

Como Executar o Projeto Localmente

Siga o passo a passo rigoroso abaixo para replicar o ambiente perfeitamente compatível a esta versão avaliativa do modelo (utilizando Python 3.13 e o provedor nativo pip):

1. Pré-Requisitos

Certifique-se de possuir o Python versão 3.13, e que o arquivo zip ou a interface do Kaggle CLI esteja provisionada se desejar forçar a regressão do dataset da nuvem.

2. Criação do Ambiente Virtual

No terminal, dentro da pasta do projeto aberto, declare as entidades atômicas definindo o nome credito:

# Cria o ambiente isolado
python3.13 -m venv credito

# Ativa o ambiente (macOS/Linux)
source credito/bin/activate

# Ativa o ambiente (Windows)
credito\Scripts\activate

3. Atualizando o Gerenciador e Configurando Repositórios

Garanta que a infraestrutura se comunique limpa com os repos base:

# Opcional mas recomendado: Upgrade no pip core
pip install --upgrade pip

# Instala as bibliotecas exatas e requeridas
pip install numpy pandas scikit-learn matplotlib seaborn kaggle ipykernel

4. Gerenciamento do Kernel de Reprodução Experimental (Jupyter)

Gere um manifesto congelado do projeto para pareamento com as docstrings.

# Salva as assinaturas exatas localmente
pip freeze > requirements.txt

5. Executando o Notebook

Agora que o repositório base suporta o core analítico, inicialize-o:

jupyter notebook projeto_credito_supervisionado.ipynb

(Se o seu Jupyter não encontrar o abiente nativo ou global, certifique-se de registrar o ipykernel instalado previamente dentro deste env com: python -m ipykernel install --user --name=credito).

---

Desenvolvido para fins acadêmicos e analíticos.
Março / 2026