mlops-analise-credito-v1

Modelo de classificação binária para análise de risco de crédito (inadimplência). Desenvolvido como parte do curso de MLOps — Semana 3.

Uso

from huggingface_hub import hf_hub_download
import joblib

model = joblib.load(hf_hub_download("Main921/mlops-analise-credito-v1", "modelo_credito.pkl"))
features = [[5000.0, 5000.0, 75, 35, 2]]  # [renda_mensal, divida_atual, score_pagamento, idade, num_dependentes]
prediction = model.predict(features)

Features de entrada

Feature	Tipo	Descrição
renda_mensal	float	Renda mensal em reais
divida_atual	float	Dívida atual total em reais
score_pagamento	int	Score de pagamento (0–100)
idade	int	Idade do cliente em anos
num_dependentes	int	Número de dependentes

Métricas (test set, 20% dos dados)

Métrica	Valor
Precision (Inadimplente)	97.20%
Recall (Inadimplente)	83.87%
F1 Score (Inadimplente)	90.04%
Acurácia Geral	94.25%

Importância das Variáveis

divida_atual                   0.360064
score_pagamento                0.291442
renda_mensal                   0.143567
num_dependentes                0.131753
idade                          0.073175

Dependências

• scikit-learn==1.8.0
• joblib==1.5.3
• pandas
• numpy
• huggingface_hub

Limitações

⚠️ IMPORTANTE:

• Modelo treinado com dados sintéticos, não com dados reais
• Acurácia e métricas podem não refletir performance em produção
• Não deve ser usado em decisões de crédito sem validação com dados reais
• Requer retreinamento periódico com novos dados
• Features podem precisar de ajustes conforme características do mercado mudam

Modelo

• Algoritmo: Random Forest Classifier (100 árvores)
• Tipo: Classificação Binária (0 = Bom Pagador, 1 = Inadimplente)