Update README.md

README.md

@@ -1,34 +1,46 @@
 ---
-title: ' ModelagemdeCancelamentodeReservascomMachineLearning '
-emoji: 🚀
-colorFrom: red
-colorTo: red
+title: Dashboard de Previsão de Cancelamento
+emoji: 🏨
+colorFrom: blue
+colorTo: indigo
 sdk: streamlit
-app_port: 8501
-tags:
-- streamlit
+sdk_version: 1.30.0
+app_file: app.py
 pinned: false
-short_description: Streamlit template space
-license: mit
-sdk_version: 1.51.0
 ---
-## 📊 Fonte de Dados
 
-O dashboard utiliza o dataset **Hotel Booking Demand** do Kaggle:
+# 🏨 Dashboard de Análise Preditiva de Cancelamento de Reservas
 
-- **Dataset**: [Hotel Booking Demand](https://www.kaggle.com/jessemostipak/hotel-booking-demand)
-- **Registros**: +100,000 reservas hoteleiras
-- **Período**: 2015-2017
-- **Variável Alvo**: `is_canceled` (indicador de cancelamento)
+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.
 
-### Estratégia de Carregamento
+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. **Dataset Real (Prioridade)**: 
-   - Download automático via `kagglehub`
-   - Fallback para arquivo local `hotel_bookings.csv`
-   - Fallback para dataset alternativo
+1.  **Regressão Logística (RL)**
+2.  **K-Nearest Neighbors (KNN)**
+3.  **Support Vector Machine (SVM)**
 
-2. **Dados Sintéticos (Fallback)**:
-   - Gerados programaticamente
-   - Mantêm estrutura e padrões do dataset real
-   - Garantem funcionamento mesmo sem acesso ao Kaggle
+## 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.