Modelo de Recomendação de Planos da Megaline

Descrição

Este projeto faz parte do curso de Ciência de Dados da TripleTen e envolve a criação de um modelo de classificação para a operadora de celular Megaline. O objetivo é analisar o comportamento dos clientes e recomendar um dos planos mais recentes: Smart ou Ultra, utilizando dados comportamentais de clientes que já migraram para os novos planos. O modelo deve alcançar uma acurácia mínima de 0,75.

Instalação

Pré-requisitos

• Python 3.x: (Qualquer versão do Python 3, como 3.6, 3.7, 3.8, etc.)
• Bibliotecas Python:
  • pandas
  • numpy
  • scikit-learn
  • matplotlib
  • seaborn

Instruções de Instalação

1. Clone o repositório: git clone https://github.com/Rosental14/Megaline_1.git
2. Navegue até o diretório do projeto:
3. Instale as dependências: pip install -r requirements.txt

Uso

1. Abra o Jupyter Notebook
2. Navegue até o arquivo projeto_megaline_1.ipynb e abra-o.
3. Execute as células sequencialmente para reproduzir a análise e a criação do modelo.

Funcionalidades

Etapas Iniciais

• Importação de Bibliotecas: pandas, numpy, scikit-learn, matplotlib e seaborn.

• Leitura dos Dados: Carregamento do arquivo users_behavior.csv

• Informações Gerais: Impressão das informações gerais do DataFrame para conferir tipos de dados e valores ausentes.

Divisão dos Dados

• Divisão em Conjuntos: Divisão dos dados em conjuntos de treinamento, validação e teste na proporção 80:10:10.

• Características e Alvo: Definição das colunas de características e do alvo.

Estudo do Melhor Modelo

• Modelos Testados: Avaliação de três modelos de classificação: Árvore de Decisão, Floresta Aleatória e Regressão Logística.

• Métricas de Avaliação: Utilização da acurácia como métrica principal e consideração do tempo de execução dos modelos.

Árvore de Decisão

• Hiperparâmetros: Teste de diferentes valores para criterion, min_samples_leaf e max_depth.

• Melhor Modelo: Acurácia de 83.18% com max_depth=10, criterion='gini' e min_samples_leaf=7.

• Tempo de Execução: Aproximadamente 2.31 segundos.

Floresta Aleatória

• Hiperparâmetros: Teste de diferentes valores para bootstrap, max_depth e n_estimators.

• Melhor Modelo: Acurácia de 83.18% com max_depth=1, bootstrap=False e n_estimators=9.

• Tempo de Execução: Aproximadamente 7.67 segundos.

Regressão Logística

• Modelo: Utilização de solver='liblinear' e random_state=14.

• Acurácia: 71.34%.

• Tempo de Execução: Aproximadamente 0.01 segundos.

Teste do Melhor Modelo

• Treinamento Completo: Treinamento do melhor modelo (Árvore de Decisão) com todos os dados disponíveis.

• Acurácia no Conjunto de Teste: 84.47%.

Prova Real do Modelo

• Comparação com Dados Aleatórios: Acurácia de 84.5% com dados reais e aproximadamente 50% com dados aleatórios, comprovando a eficiência do modelo.

Créditos

• Autor: Renan Rosental

Contato

Para dúvidas e feedback, entre em contato via e-mail: renan.engal@gmail.com