Autor: André Camatta

Este projeto é um MVP de ciência de dados que aborda o problema de previsão de inadimplência (default) em empréstimos peer-to-peer (P2P), utilizando um dataset público da Lending Club. O objetivo é desenvolver um modelo de classificação binária para estimar a probabilidade de um empréstimo não ser pago, servindo como uma ferramenta de suporte à decisão para investidores em plataformas semelhantes.

O estudo utiliza uma amostra de 600.000 empréstimos concedidos entre 2015 e 2020, preparada para garantir representatividade e conformidade com as boas práticas de desenvolvimento.

O projeto foi estruturado em três etapas principais:

1. Análise Exploratória de Dados (EDA): Investigação inicial dos dados para extrair insights, compreender a relação entre as variáveis e guiar a etapa de pré-processamento.

2. Pipeline de Pré-processamento: Construção de um pipeline para preparar os dados para a modelagem, incluindo seleção de features, imputação de valores ausentes e transformação de variáveis numéricas (logarítmica, padronização) e categóricas (ordinal, one-hot e target encoding).

3. Modelagem Preditiva: Utilização do algoritmo LightGBM para a classificação, com tratamento para o desbalanceamento de classes e validação através de validação cruzada estratificada, garantindo a robustez do modelo.

.
├── dataset_anonymization.py    # Script para anonimizar e amostrar o dataset.
├── lending_club_sample_2015_2020.csv.gz # Amostra de dados utilizada.
├── mvp_puc_lending_club.ipynb  # Notebook Jupyter com toda a análise.
├── pyproject.toml              # Dependências do projeto.
└── README.md                   # Este arquivo.

1. Clone o repositório:

   git clone https://github.com/andrecamatta/mvp_puc_analise_dados.git
   cd mvp_puc_analise_dados

2. Instale as dependências:

   pip install pandas numpy scikit-learn matplotlib seaborn lightgbm geopandas adjusttext

3. Execute o Notebook: Abra e execute o notebook mvp_puc_lending_club.ipynb em um ambiente Jupyter (Jupyter Lab, VS Code etc.).