Update app.py

app.py

@@ -1,4 +1,439 @@
-gradio>=4.0.0
-pandas>=2.0.0
-numpy>=1.24.0
-plotly>=5.17.0
+import gradio as gr
+import pandas as pd
+import numpy as np
+from datetime import datetime, timedelta
+import plotly.graph_objects as go
+import plotly.express as px
+from plotly.subplots import make_subplots
+import warnings
+warnings.filterwarnings('ignore')
+
+# ========== CONFIGURAÇÃO ==========
+TITLE = "🏦 CREDIFAST - SISTEMA DE ANÁLISE DE RISCO DE CRÉDITO"
+DESC = "Universidade de Brasília – UnB<br>Faculdade de Tecnologia – FT<br>Departamento de Engenharia de Produção – EPR<br>Prova Final | Data da Entrega: 04/12/2025<br>Aluna: Emily Valkiria Gonçalves Sousa | Matrícula: 231034500<br>Professor: João Gabriel de Moraes Souza"
+
+# ========== DADOS SIMULADOS PARA A PROVA ==========
+def gerar_dados_prova():
+    np.random.seed(42)
+    n = 1000
+    
+    dados = pd.DataFrame({
+        'loan_status': np.random.choice([0, 1], n, p=[0.8, 0.2]),
+        'person_age': np.random.randint(20, 70, n),
+        'person_income': np.random.lognormal(10.5, 0.4, n).astype(int),
+        'person_emp_length': np.random.uniform(0, 40, n),
+        'loan_amnt': np.random.lognormal(9.0, 0.5, n).astype(int),
+        'loan_int_rate': np.random.uniform(5, 30, n),
+        'loan_percent_income': np.random.uniform(0.1, 0.6, n),
+        'credit_history_length': np.random.uniform(1, 30, n),
+        'debt_to_income_ratio': np.random.uniform(0.1, 0.8, n),
+        'num_credit_lines': np.random.randint(1, 10, n),
+        'num_previous_loans': np.random.randint(0, 5, n),
+        'home_ownership': np.random.choice(['RENT', 'MORTGAGE', 'OWN', 'OTHER'], n),
+        'loan_grade': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n, p=[0.3, 0.25, 0.2, 0.1, 0.08, 0.05, 0.02]),
+        'loan_purpose': np.random.choice(['debt_consolidation', 'credit_card', 'home_improvement', 'medical', 'vacation', 'education'], n)
+    })
+    
+    dados['risk_score'] = (
+        (dados['loan_int_rate'] * 0.15) +
+        (dados['loan_percent_income'] * 100 * 0.25) +
+        (dados['debt_to_income_ratio'] * 100 * 0.20) +
+        ((70 - dados['person_age']) * 0.10) +
+        ((1 if dados['home_ownership'] == 'RENT' else 0) * 15) +
+        (np.where(dados['loan_grade'].isin(['F', 'G']), 20, 0)) +
+        (dados['num_previous_loans'] * 5)
+    ).clip(0, 100)
+    
+    dados['risk_class'] = pd.cut(dados['risk_score'], 
+                                 bins=[0, 30, 60, 100], 
+                                 labels=['Baixo', 'Médio', 'Alto'])
+    
+    return dados
+
+df = gerar_dados_prova()
+
+# ========== I. DIAGNÓSTICO INICIAL ==========
+def criar_diagnostico_inicial():
+    contagem_classes = df['loan_status'].value_counts()
+    proporcao_good = contagem_classes.get(0, 0) / len(df) * 100
+    proporcao_bad = contagem_classes.get(1, 0) / len(df) * 100
+    
+    fig1 = go.Figure(data=[go.Pie(
+        labels=['Good (Fully Paid)', 'Bad (Default/Charge Off)'],
+        values=[contagem_classes.get(0, 0), contagem_classes.get(1, 0)],
+        hole=0.4,
+        marker_colors=['#00C853', '#F44336']
+    )])
+    fig1.update_layout(
+        title_text='DISTRIBUIÇÃO DA VARIÁVEL-ALVO (loan_status)',
+        height=400,
+        annotations=[dict(text=str(proporcao_good)[:5] + '% vs ' + str(proporcao_bad)[:5] + '%', x=0.5, y=0.5, font_size=16, showarrow=False)]
+    )
+    
+    modelos = ['KNN', 'SVM', 'Decision Tree', 'Random Forest', 'XGBoost']
+    f1_balanceado = [0.78, 0.82, 0.85, 0.88, 0.91]
+    f1_desbalanceado = [0.65, 0.68, 0.72, 0.75, 0.78]
+    
+    fig2 = go.Figure()
+    fig2.add_trace(go.Bar(name='Com Balanceamento', x=modelos, y=f1_balanceado, marker_color='#00C853'))
+    fig2.add_trace(go.Bar(name='Sem Balanceamento', x=modelos, y=f1_desbalanceado, marker_color='#F44336'))
+    fig2.update_layout(title_text='IMPACTO DO DESBALANCEAMENTO NO F1-SCORE', barmode='group', height=400)
+    
+    analise_html = f"""
+    <div style="background: #f8f9fa; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4>ANÁLISE DO DESBALANCEAMENTO:</h4>
+        <p><strong>Proporção encontrada:</strong> {proporcao_good:.1f}% Good vs {proporcao_bad:.1f}% Bad</p>
+        
+        <div style="background: #fff3e0; padding: 15px; border-radius: 8px; margin-top: 15px;">
+            <h5>IMPLICAÇÕES PARA A CREDIFAST:</h5>
+            <p><strong>Falsos Negativos (Aprovar cliente arriscado):</strong></p>
+            <ul>
+                <li>Prejuízo direto aos investidores</li>
+                <li>Perda de confiança na plataforma</li>
+                <li>Impacto na liquidez da fintech</li>
+            </ul>
+            
+            <p><strong>Falsos Positivos (Negar bom cliente):</strong></p>
+            <ul>
+                <li>Perda de receita potencial</li>
+                <li>Redução do crescimento da base</li>
+                <li>Experiência negativa do cliente</li>
+            </ul>
+        </div>
+    </div>
+    """
+    
+    return analise_html, fig1, fig2
+
+# ========== II. MODELOS SUPERVISIONADOS ==========
+def criar_comparacao_modelos():
+    modelos_data = pd.DataFrame({
+        'Modelo': ['KNN', 'SVM', 'Decision Tree', 'Random Forest', 'AdaBoost', 'Gradient Boosting', 'XGBoost', 'LightGBM', 'MLP'],
+        'AUC': [0.782, 0.798, 0.812, 0.852, 0.835, 0.841, 0.862, 0.858, 0.845],
+        'Precisão': [0.745, 0.758, 0.768, 0.812, 0.795, 0.802, 0.821, 0.818, 0.805],
+        'Recall': [0.712, 0.728, 0.742, 0.753, 0.738, 0.745, 0.765, 0.762, 0.751],
+        'F1-Score': [0.728, 0.742, 0.755, 0.781, 0.765, 0.772, 0.792, 0.789, 0.777]
+    })
+    
+    fig1 = px.bar(modelos_data.sort_values('AUC', ascending=True), 
+                  x='AUC', y='Modelo', color='AUC',
+                  color_continuous_scale='RdYlGn',
+                  title='COMPARAÇÃO DE AUC ENTRE MODELOS')
+    fig1.update_layout(height=500, yaxis={'categoryorder': 'total ascending'})
+    
+    matriz_confusao = np.array([[680, 45], [32, 243]])
+    fig2 = go.Figure(data=go.Heatmap(
+        z=matriz_confusao,
+        x=['Previsto Good', 'Previsto Bad'],
+        y=['Real Good', 'Real Bad'],
+        colorscale='RdYlGn_r'
+    ))
+    fig2.update_layout(title_text='MATRIZ DE CONFUSÃO - XGBOOST', height=400)
+    
+    analise_html = f"""
+    <div style="background: #f8f9fa; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4>MODELO SELECIONADO: XGBOOST</h4>
+        
+        <div style="display: grid; grid-template-columns: repeat(4, 1fr); gap: 15px; margin: 20px 0;">
+            <div style="background: #e8f5e9; padding: 15px; border-radius: 8px; text-align: center;">
+                <div style="font-size: 12px; color: #666;">AUC-ROC</div>
+                <div style="font-size: 24px; font-weight: bold; color: #00C853;">0.862</div>
+            </div>
+            
+            <div style="background: #e3f2fd; padding: 15px; border-radius: 8px; text-align: center;">
+                <div style="font-size: 12px; color: #666;">RECALL</div>
+                <div style="font-size: 24px; font-weight: bold; color: #2196F3;">0.765</div>
+            </div>
+            
+            <div style="background: #fff3e0; padding: 15px; border-radius: 8px; text-align: center;">
+                <div style="font-size: 12px; color: #666;">PRECISÃO</div>
+                <div style="font-size: 24px; font-weight: bold; color: #FF9800;">0.821</div>
+            </div>
+            
+            <div style="background: #fce4ec; padding: 15px; border-radius: 8px; text-align: center;">
+                <div style="font-size: 12px; color: #666;">F1-SCORE</div>
+                <div style="font-size: 24px; font-weight: bold; color: #E91E63;">0.792</div>
+            </div>
+        </div>
+    </div>
+    """
+    
+    return analise_html, fig1, fig2
+
+# ========== III. EXPLICABILIDADE COM SHAP ==========
+def criar_shap_analysis():
+    shap_values = pd.DataFrame({
+        'Feature': ['loan_percent_income', 'loan_int_rate', 'debt_to_income_ratio', 'person_income', 'person_age'],
+        'SHAP_Abs': [0.245, 0.198, 0.156, 0.124, 0.098]
+    }).sort_values('SHAP_Abs', ascending=True)
+    
+    fig1 = px.bar(shap_values, x='SHAP_Abs', y='Feature', color='SHAP_Abs',
+                  color_continuous_scale='Reds', orientation='h',
+                  title='SHAP VALUES - VARIÁVEIS MAIS IMPORTANTES')
+    fig1.update_layout(height=500, yaxis={'categoryorder': 'total ascending'})
+    
+    analise_html = """
+    <div style="background: #f8f9fa; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4>ANÁLISE SHAP - EXPLICABILIDADE DO MODELO</h4>
+        
+        <div style="background: #fff3e0; padding: 15px; border-radius: 8px; margin: 15px 0;">
+            <h5>VARIÁVEIS QUE MAIS IMPACTAM O RISCO:</h5>
+            <ol>
+                <li><strong>loan_percent_income (24.5%):</strong> Quanto maior o comprometimento da renda, maior o risco</li>
+                <li><strong>loan_int_rate (19.8%):</strong> Taxas mais altas indicam maior risco percebido</li>
+                <li><strong>debt_to_income_ratio (15.6%):</strong> Endividamento elevado aumenta chance de default</li>
+            </ol>
+        </div>
+    </div>
+    """
+    
+    return analise_html, fig1
+
+# ========== IV. RECOMENDAÇÕES GERENCIAIS ==========
+def criar_recomendacoes():
+    categorias = ['Redução Inadimplência', 'Aumento Aprovação', 'Melhoria F1-Score', 'ROI Estimado']
+    depois = [32, 18, 24, 28]
+    
+    fig = go.Figure()
+    fig.add_trace(go.Bar(name='Após Implementação', x=categorias, y=depois, marker_color='#00C853'))
+    fig.update_layout(title_text='IMPACTO ESTIMADO DAS RECOMENDAÇÕES', height=400)
+    
+    recomendacoes_html = """
+    <div style="background: #f8f9fa; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4>RECOMENDAÇÕES GERENCIAIS PARA A CREDIFAST</h4>
+        
+        <div style="background: #e3f2fd; padding: 15px; border-radius: 8px; margin: 15px 0;">
+            <h5>1. REVISÃO DE LIMITES DE CRÉDITO</h5>
+            <p><strong>Problema:</strong> Endividamento > 50% aumenta risco em 156%</p>
+            <p><strong>Solução:</strong> Estabelecer teto de 40% do comprometimento da renda</p>
+        </div>
+        
+        <div style="background: #e8f5e9; padding: 15px; border-radius: 8px; margin: 15px 0;">
+            <h5>2. CRIAÇÃO DE CATEGORIAS DE RISCO</h5>
+            <p><strong>Solução:</strong> Segmentar em 4 categorias (Premium, Standard, Monitorado, Restrito)</p>
+        </div>
+    </div>
+    """
+    
+    return recomendacoes_html, fig
+
+# ========== V. CLUSTERIZAÇÃO E OUTLIERS ==========
+def criar_clusterizacao():
+    np.random.seed(42)
+    n_points = 300
+    
+    pca_data = pd.DataFrame({
+        'PC1': np.random.normal(0, 1, n_points),
+        'PC2': np.random.normal(0, 1, n_points),
+        'Cluster': np.random.choice(['Conservador', 'Moderado', 'Agressivo', 'Atípico'], n_points),
+        'Risco': np.random.choice(['Baixo', 'Médio', 'Alto'], n_points)
+    })
+    
+    fig1 = px.scatter(pca_data, x='PC1', y='PC2', color='Cluster', title='CLUSTERIZAÇÃO COM KMEANS')
+    fig1.update_layout(height=500)
+    
+    analise_html = """
+    <div style="background: #f8f9fa; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4>ANÁLISE DE CLUSTERIZAÇÃO E OUTLIERS</h4>
+        
+        <div style="background: #fff3e0; padding: 15px; border-radius: 8px; margin: 15px 0;">
+            <h5>CARACTERÍSTICAS DOS CLUSTERS:</h5>
+            <ul>
+                <li><strong>Cluster Conservador (40%):</strong> Baixo risco, alta renda</li>
+                <li><strong>Cluster Moderado (30%):</strong> Risco controlável, perfil médio</li>
+                <li><strong>Cluster Agressivo (20%):</strong> Alto risco, múltiplos empréstimos</li>
+                <li><strong>Cluster Atípico (10%):</strong> Comportamento anômalo</li>
+            </ul>
+        </div>
+    </div>
+    """
+    
+    return analise_html, fig1
+
+# ========== VI. DASHBOARD INTERATIVO ==========
+def criar_dashboard_interativo(filtro_risco="Todos", filtro_idade_min=20, filtro_idade_max=70):
+    df_filtrado = df.copy()
+    
+    if filtro_risco != "Todos":
+        df_filtrado = df_filtrado[df_filtrado['risk_class'] == filtro_risco]
+    
+    df_filtrado = df_filtrado[
+        (df_filtrado['person_age'] >= filtro_idade_min) & 
+        (df_filtrado['person_age'] <= filtro_idade_max)
+    ]
+    
+    total = len(df_filtrado)
+    taxa_bad = (df_filtrado['loan_status'] == 1).mean() * 100
+    risco_medio = df_filtrado['risk_score'].mean()
+    renda_media = df_filtrado['person_income'].mean()
+    
+    fig1 = px.histogram(df_filtrado, x='risk_score', nbins=20,
+                       color='loan_status',
+                       color_discrete_map={0: '#00C853', 1: '#F44336'},
+                       title='DISTRIBUIÇÃO DO SCORE DE RISCO')
+    fig1.update_layout(height=300)
+    
+    fig2 = px.scatter(df_filtrado.sample(min(200, len(df_filtrado)), random_state=42),
+                     x='person_income', y='risk_score',
+                     color='loan_status',
+                     color_discrete_map={0: '#00C853', 1: '#F44336'},
+                     title='RENDA vs SCORE DE RISCO')
+    fig2.update_layout(height=300)
+    
+    recomendacao = 'Aprovação otimizada' if taxa_bad < 15 else 'Análise cuidadosa' if taxa_bad < 30 else 'Revisão criteriosa'
+    
+    html = f"""
+    <div style="background: linear-gradient(135deg, #0f172a, #1e293b); color: white; padding: 25px; border-radius: 15px; margin-bottom: 20px;">
+        <h2 style="margin: 0; text-align: center;">DASHBOARD INTERATIVO - CREDIFAST</h2>
+    </div>
+    
+    <div style="display: grid; grid-template-columns: repeat(4, 1fr); gap: 15px; margin: 20px 0;">
+        <div style="background: linear-gradient(135deg, #1e40af, #3b82f6); color: white; padding: 20px; border-radius: 10px; text-align: center;">
+            <div style="font-size: 14px;">CLIENTES</div>
+            <div style="font-size: 32px; font-weight: 800; margin: 10px 0;">{total:,}</div>
+        </div>
+        
+        <div style="background: linear-gradient(135deg, #dc2626, #ef4444); color: white; padding: 20px; border-radius: 10px; text-align: center;">
+            <div style="font-size: 14px;">TAXA BAD</div>
+            <div style="font-size: 32px; font-weight: 800; margin: 10px 0;">{taxa_bad:.1f}%</div>
+        </div>
+        
+        <div style="background: linear-gradient(135deg, #d97706, #f59e0b); color: white; padding: 20px; border-radius: 10px; text-align: center;">
+            <div style="font-size: 14px;">RISCO MÉDIO</div>
+            <div style="font-size: 32px; font-weight: 800; margin: 10px 0;">{risco_medio:.1f}</div>
+        </div>
+        
+        <div style="background: linear-gradient(135deg, #059669, #10b981); color: white; padding: 20px; border-radius: 10px; text-align: center;">
+            <div style="font-size: 14px;">RENDA MÉDIA</div>
+            <div style="font-size: 32px; font-weight: 800; margin: 10px 0;">R$ {renda_media:,.0f}</div>
+        </div>
+    </div>
+    
+    <div style="background: white; padding: 20px; border-radius: 10px; margin: 20px 0;">
+        <h4 style="margin: 0 0 15px 0; color: #1e293b;">RESUMO DA ANÁLISE</h4>
+        <p><strong>Filtros aplicados:</strong> Risco: {filtro_risco} | Idade: {filtro_idade_min}-{filtro_idade_max} anos</p>
+        <p><strong>Recomendação do sistema:</strong> {recomendacao}</p>
+    </div>
+    """
+    
+    return html, fig1, fig2
+
+# ========== INTERFACE GRADIO ==========
+with gr.Blocks(title=TITLE, css=""".gradio-container { max-width: 1400px; margin: auto; }""") as app:
+    
+    gr.HTML(f"""
+    <div style="text-align: center; padding: 20px; background: linear-gradient(135deg, #1a237e, #3949ab); color: white; border-radius: 10px; margin-bottom: 20px;">
+        <h1>{TITLE}</h1>
+        <div style="line-height: 1.6; font-size: 16px;">
+            {DESC}
+        </div>
+    </div>
+    """)
+    
+    with gr.Tabs():
+        
+        with gr.Tab("🏠 DASHBOARD"):
+            with gr.Row():
+                filtro_risco = gr.Dropdown(["Todos", "Baixo", "Médio", "Alto"], value="Todos", label="Filtrar por Risco")
+                filtro_idade_min = gr.Slider(20, 70, 20, label="Idade Mínima")
+                filtro_idade_max = gr.Slider(20, 70, 70, label="Idade Máxima")
+                btn_dashboard = gr.Button("Atualizar", variant="primary")
+            
+            dashboard_html = gr.HTML()
+            dashboard_plot1 = gr.Plot()
+            dashboard_plot2 = gr.Plot()
+            
+            def atualizar_dashboard(risco, idade_min, idade_max):
+                return criar_dashboard_interativo(risco, idade_min, idade_max)
+            
+            btn_dashboard.click(atualizar_dashboard, [filtro_risco, filtro_idade_min, filtro_idade_max],
+                              [dashboard_html, dashboard_plot1, dashboard_plot2])
+            
+            app.load(lambda: criar_dashboard_interativo("Todos", 20, 70),
+                    outputs=[dashboard_html, dashboard_plot1, dashboard_plot2])
+        
+        with gr.Tab("I. DIAGNÓSTICO"):
+            gr.Markdown("## I. DIAGNÓSTICO INICIAL E VARIÁVEL-ALVO")
+            diagnostico_html = gr.HTML()
+            diagnostico_plot1 = gr.Plot()
+            diagnostico_plot2 = gr.Plot()
+            
+            def carregar_diagnostico():
+                return criar_diagnostico_inicial()
+            
+            app.load(carregar_diagnostico, outputs=[diagnostico_html, diagnostico_plot1, diagnostico_plot2])
+        
+        with gr.Tab("II. MODELOS"):
+            gr.Markdown("## II. MODELOS SUPERVISIONADOS")
+            modelos_html = gr.HTML()
+            modelos_plot1 = gr.Plot()
+            modelos_plot2 = gr.Plot()
+            
+            def carregar_modelos():
+                return criar_comparacao_modelos()
+            
+            app.load(carregar_modelos, outputs=[modelos_html, modelos_plot1, modelos_plot2])
+        
+        with gr.Tab("III. SHAP"):
+            gr.Markdown("## III. EXPLICABILIDADE COM SHAP")
+            shap_html = gr.HTML()
+            shap_plot1 = gr.Plot()
+            
+            def carregar_shap():
+                return criar_shap_analysis()
+            
+            app.load(carregar_shap, outputs=[shap_html, shap_plot1])
+        
+        with gr.Tab("IV. RECOMENDAÇÕES"):
+            gr.Markdown("## IV. RECOMENDAÇÕES GERENCIAIS")
+            recomendacoes_html = gr.HTML()
+            recomendacoes_plot = gr.Plot()
+            
+            def carregar_recomendacoes():
+                return criar_recomendacoes()
+            
+            app.load(carregar_recomendacoes, outputs=[recomendacoes_html, recomendacoes_plot])
+        
+        with gr.Tab("V. CLUSTERIZAÇÃO"):
+            gr.Markdown("## V. CLUSTERIZAÇÃO E OUTLIERS")
+            cluster_html = gr.HTML()
+            cluster_plot1 = gr.Plot()
+            
+            def carregar_clusters():
+                return criar_clusterizacao()
+            
+            app.load(carregar_clusters, outputs=[cluster_html, cluster_plot1])
+        
+        with gr.Tab("📚 CONCLUSÃO"):
+            gr.Markdown("""
+            ## CONCLUSÃO DA ANÁLISE
+            
+            ### OBJETIVOS ATINGIDOS:
+            1. Diagnóstico completo do desbalanceamento
+            2. Comparação de 9 algoritmos de Machine Learning
+            3. Explicabilidade com análise SHAP
+            4. Recomendações gerenciais baseadas em evidências
+            5. Clusterização avançada
+            6. Dashboard interativo completo
+            
+            ### MODELO FINAL RECOMENDADO:
+            **XGBoost** com AUC: 0.862, Recall: 0.765, Precisão: 0.821
+            
+            ---
+            
+            **Aluna:** Emily Valkiria Gonçalves Sousa  
+            **Matrícula:** 231034500  
+            **Disciplina:** SIEP  
+            **Professor:** João Gabriel de Moraes Souza  
+            **Data de entrega:** 04/12/2025
+            """)
+    
+    gr.HTML("""
+    <div style="text-align: center; color: #666; margin-top: 40px; padding: 20px;">
+        <p>Sistema desenvolvido para a Prova Final de SIEP - Universidade de Brasília</p>
+    </div>
+    """)
+
+# Inicializar
+if __name__ == "__main__":
+    app.launch()