Update README.md

README.md

@@ -12,47 +12,23 @@ short_description: Streamlit template space
 license: mit
 sdk_version: 1.51.0
 ---
-# 🏨 Dashboard de Previsão de Cancelamentos Hoteleiros
+## 📊 Fonte de Dados
 
-## 📋 Sobre o Projeto
+O dashboard utiliza o dataset **Hotel Booking Demand** do Kaggle:
 
-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.
+- **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)
 
-## 🎯 Objetivos
+### Estratégia de Carregamento
 
-- **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
+1. **Dataset Real (Prioridade)**: 
+   - Download automático via `kagglehub`
+   - Fallback para arquivo local `hotel_bookings.csv`
+   - Fallback para dataset alternativo
 
-## 🛠️ 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
+2. **Dados Sintéticos (Fallback)**:
+   - Gerados programaticamente
+   - Mantêm estrutura e padrões do dataset real
+   - Garantem funcionamento mesmo sem acesso ao Kaggle