File size: 2,133 Bytes
1901bd1 161e38f 6de3700 2c3a307 161e38f 1901bd1 161e38f 1901bd1 161e38f 1901bd1 161e38f 6de3700 161e38f 6de3700 161e38f |
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 |
---
title: Dashboard de Previsão de Cancelamento
emoji: 🏨
colorFrom: blue
colorTo: indigo
sdk: streamlit
sdk_version: 1.51.0
app_file: app.py
pinned: false
---
# 🏨 Dashboard de Análise Preditiva de Cancelamento de Reservas
Este é um dashboard interativo em Streamlit para analisar e modelar os fatores de cancelamento de reservas da rede hoteleira, com base na Tarefa 3 de Modelagem de Cancelamento de Reservas com Machine Learning.
O dashboard permite que um analista de dados (ou gerente) carregue o dataset `hotel_bookings.csv` e compare interativamente o desempenho de três modelos de classificação supervisionada:
1. **Regressão Logística (RL)**
2. **K-Nearest Neighbors (KNN)**
3. **Support Vector Machine (SVM)**
## Como Usar
1. **Faça o Upload dos Arquivos:** Para que este Space funcione, você precisa ter os seguintes arquivos no seu repositório:
* `app.py` (este aplicativo)
* `requirements.txt` (as dependências)
* `hotel_bookings.csv` (o conjunto de dados)
2. **Ajuste os Parâmetros:** Use o "Painel de Controle" na barra lateral esquerda para:
* Definir o **Tamanho da Amostra** para o treinamento (essencial para performance).
* Escolher o **Algoritmo** (RL, KNN ou SVM).
* Ajustar os **Hiperparâmetros** específicos de cada modelo (como `k` para KNN ou `C` e `kernel` para SVM).
* Decidir se aplicará **SMOTE** para balancear as classes.
3. **Execute a Análise:** Clique no botão "Executar Análise".
4. **Interprete os Resultados:** O dashboard exibirá:
* Métricas de desempenho (AUC, F1-Score, Precisão, Recall).
* Visualizações interativas (Curva ROC e Matriz de Confusão).
* Uma **Interpretação Gerencial** detalhada, explicando o que as métricas significam para o negócio hoteleiro.
## Aviso sobre Performance
Este dashboard treina modelos de ML em tempo real. O dataset completo possui mais de 100.000 registros. Treinar SVM ou KNN em todos os dados pode levar muito tempo e travar o app.
**Solução:** Use o slider "Tamanho da Amostra" para começar com um valor pequeno (ex: 3.000) e aumente conforme a necessidade. |