Laboratório prático de Machine Learning supervisionado com foco em classificação, pré-processamento de dados, comparação de modelos e análise de desempenho.
Este repositório reúne experimentos práticos de classificação supervisionada em Python utilizando bases de dados reais. O objetivo é consolidar fundamentos de Machine Learning por meio da construção de fluxos completos que envolvem:
- análise exploratória
- tratamento de dados
- engenharia de atributos
- codificação de variáveis categóricas
- padronização
- treino de modelos
- avaliação comparativa
Mais do que um repositório de estudo, este projeto funciona como um laboratório técnico para desenvolver base sólida em modelagem preditiva.
O foco principal é estudar como diferentes algoritmos de classificação se comportam diante de bases com características distintas, observando:
- qualidade dos dados
- impacto do pré-processamento
- diferença entre variáveis numéricas e categóricas
- comportamento de múltiplos classificadores
- importância da validação antes de escolher um modelo
Base voltada à previsão de inadimplência com variáveis como:
- idade
- renda
- valor da dívida
Objetivo: classificar se um cliente tende ou não a ser um bom pagador.
Base com variáveis sociodemográficas numéricas e categóricas.
Objetivo: prever a faixa salarial do indivíduo a partir de características populacionais.
- limpeza de dados
- correção de inconsistências
- tratamento de valores ausentes
- transformação de atributos categóricos
- escalonamento de variáveis
- separação entre treino e teste
- treino de classificadores
- comparação de desempenho entre modelos
- Python
- Pandas
- NumPy
- Scikit-Learn
- Plotly
- Jupyter Notebook
estudo-machine-learning/
├── README.md
└── estudo/
├── Estudo ML e Data Science Python.ipynb
├── Machine Learning e Data Science (Classificação).ipynb
├── census.csv
├── census.pkl
├── credit_data.csv
└── credit.pkl