File size: 1,777 Bytes
1901bd1 bafbe19 1901bd1 6de3700 1901bd1 bafbe19 1901bd1 6de3700 f0bb012 1901bd1 6de3700 1901bd1 6de3700 1901bd1 6de3700 1901bd1 6de3700 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 | ---
title: ' ModelagemdeCancelamentodeReservascomMachineLearning '
emoji: 🚀
colorFrom: red
colorTo: red
sdk: streamlit
app_port: 8501
tags:
- streamlit
pinned: false
short_description: Streamlit template space
license: mit
sdk_version: 1.51.0
---
# 🏨 Dashboard de Previsão de Cancelamentos Hoteleiros
## 📋 Sobre o Projeto
Este dashboard interativo foi desenvolvido para prever a probabilidade de cancelamento de reservas hoteleiras utilizando técnicas de Machine Learning. A ferramenta permite comparar três algoritmos de classificação e fornece insights valiosos para ações preventivas.
## 🎯 Objetivos
- **Previsão Preditiva**: Identificar reservas com alta probabilidade de cancelamento
- **Análise Comparativa**: Avaliar desempenho de diferentes algoritmos de ML
- **Tomada de Decisão**: Fornecer recomendações baseadas em dados para:
- Overbooking controlado
- Ofertas promocionais direcionadas
- Políticas de retenção de clientes
## 🛠️ Funcionalidades
### 🤖 Algoritmos Implementados
1. **Regressão Logística** - Modelo linear probabilístico
2. **K-Nearest Neighbors (KNN)** - Modelo baseado em distância
3. **Support Vector Machine (SVM)** - Modelo baseado em separabilidade
### ⚙️ Configurações Interativas
- Ajuste de hiperparâmetros específicos por algoritmo
- Seleção de métricas de distância (KNN)
- Escolha de kernel (SVM)
- Configuração de validação cruzada
- Opção de balanceamento com SMOTE
### 📊 Visualizações
- Matriz de Confusão
- Curva ROC e AUC
- Métricas de desempenho comparativas
- Análise de importância de características
## 🚀 Como Usar
### Execução Local
```bash
# Instalar dependências
pip install -r requirements.txt
# Executar o dashboard
streamlit run app.py |