Update app.py

app.py

@@ -9,7 +9,6 @@ from sklearn.linear_model import LogisticRegression
 from sklearn.neighbors import KNeighborsClassifier
 from sklearn.svm import SVC
 from sklearn.metrics import roc_curve, auc, classification_report, confusion_matrix, precision_recall_curve
-from imblearn.over_sampling import SMOTE
 import os
 import warnings
 warnings.filterwarnings('ignore')
@@ -32,131 +31,53 @@ permitindo ações preventivas como overbooking controlado e ofertas promocionai
 @st.cache_data
 def load_data():
     """
-    Tenta carregar dataset real do Kaggle, fallback para dados sintéticos
-    """
-    try:
-        # Verifica se o arquivo já existe
-        if os.path.exists('hotel_bookings.csv'):
-            df = pd.read_csv('hotel_bookings.csv')
-            st.success("✅ Dataset real 'hotel_bookings.csv' carregado com sucesso!")
-            return df
-        
-        # Tenta baixar via kagglehub
-        try:
-            import kagglehub
-            st.info("📥 Baixando dataset real do Kaggle...")
-            path = kagglehub.dataset_download("jessemostipak/hotel-booking-demand")
-            csv_path = os.path.join(path, "hotel_bookings.csv")
-            df = pd.read_csv(csv_path)
-            st.success("✅ Dataset real baixado do Kaggle com sucesso!")
-            return df
-        except ImportError:
-            st.warning("📦 Biblioteca kagglehub não disponível. Tentando download alternativo...")
-            
-        # Fallback: download direto (se disponível)
-        try:
-            url = "https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-11/hotels.csv"
-            df = pd.read_csv(url)
-            st.success("✅ Dataset alternativo carregado!")
-            return df
-        except:
-            st.warning("❌ Não foi possível baixar dados reais.")
-            
-    except Exception as e:
-        st.warning(f"⚠️ Erro ao carregar dataset real: {str(e)}")
-    
-    # Fallback para dados sintéticos
-    st.info("📊 Gerando dados sintéticos para demonstração...")
-    return generate_synthetic_data()
-
-def generate_synthetic_data():
-    """
-    Gera dados sintéticos quando o dataset real não está disponível
+    Carrega dados sintéticos (evita problemas de compatibilidade)
     """
     np.random.seed(42)
-    n_samples = 5000
+    n_samples = 4000
     
+    # Criar dados mais realistas baseados no dataset real
     data = {
-        'hotel': np.random.choice(['Resort Hotel', 'City Hotel'], n_samples),
-        'is_canceled': np.random.choice([0, 1], n_samples, p=[0.7, 0.3]),
-        'lead_time': np.random.randint(0, 400, n_samples),
-        'arrival_date_year': np.random.choice([2015, 2016, 2017], n_samples),
-        'arrival_date_month': np.random.choice(['January', 'February', 'March', 'April', 'May', 'June', 
-                                            'July', 'August', 'September', 'October', 'November', 'December'], n_samples),
-        'stays_in_weekend_nights': np.random.randint(0, 5, n_samples),
-        'stays_in_week_nights': np.random.randint(1, 15, n_samples),
-        'adults': np.random.randint(1, 4, n_samples),
-        'children': np.random.randint(0, 3, n_samples),
-        'babies': np.random.randint(0, 2, n_samples),
-        'meal': np.random.choice(['BB', 'HB', 'FB', 'SC'], n_samples),
-        'country': np.random.choice(['PRT', 'GBR', 'FRA', 'ESP', 'DEU', 'ITA'], n_samples),
-        'market_segment': np.random.choice(['Direct', 'Corporate', 'Online TA', 'Offline TA/TO', 'Complementary'], n_samples),
-        'distribution_channel': np.random.choice(['Direct', 'Corporate', 'TA/TO'], n_samples),
-        'is_repeated_guest': np.random.choice([0, 1], n_samples, p=[0.9, 0.1]),
-        'previous_cancellations': np.random.randint(0, 5, n_samples),
-        'previous_bookings_not_canceled': np.random.randint(0, 10, n_samples),
-        'reserved_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples),
-        'assigned_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples),
-        'booking_changes': np.random.randint(0, 5, n_samples),
-        'deposit_type': np.random.choice(['No Deposit', 'Non Refund', 'Refundable'], n_samples),
-        'agent': np.random.choice([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], n_samples),
-        'company': np.random.choice([0, 1, 2, 3, 4], n_samples),
-        'days_in_waiting_list': np.random.randint(0, 50, n_samples),
-        'customer_type': np.random.choice(['Transient', 'Contract', 'Transient-Party', 'Group'], n_samples),
-        'adr': np.random.uniform(50, 300, n_samples),
-        'required_car_parking_spaces': np.random.randint(0, 2, n_samples),
-        'total_of_special_requests': np.random.randint(0, 4, n_samples),
+        'hotel': np.random.choice(['Resort Hotel', 'City Hotel'], n_samples, p=[0.6, 0.4]),
+        'is_canceled': np.random.choice([0, 1], n_samples, p=[0.65, 0.35]),
+        'lead_time': np.random.gamma(2, 50, n_samples).astype(int),
+        'arrival_date_year': np.random.choice([2015, 2016, 2017], n_samples, p=[0.3, 0.4, 0.3]),
+        'arrival_date_month': np.random.choice([
+            'January', 'February', 'March', 'April', 'May', 'June', 
+            'July', 'August', 'September', 'October', 'November', 'December'
+        ], n_samples),
+        'stays_in_weekend_nights': np.random.poisson(1, n_samples),
+        'stays_in_week_nights': np.random.poisson(3, n_samples),
+        'adults': np.random.choice([1, 2, 3, 4], n_samples, p=[0.1, 0.7, 0.15, 0.05]),
+        'children': np.random.choice([0, 1, 2], n_samples, p=[0.8, 0.15, 0.05]),
+        'babies': np.random.choice([0, 1], n_samples, p=[0.95, 0.05]),
+        'meal': np.random.choice(['BB', 'HB', 'FB', 'SC'], n_samples, p=[0.7, 0.2, 0.05, 0.05]),
+        'country': np.random.choice(['PRT', 'GBR', 'FRA', 'ESP', 'DEU', 'ITA', 'IRL', 'BEL'], n_samples),
+        'market_segment': np.random.choice([
+            'Direct', 'Corporate', 'Online TA', 'Offline TA/TO', 'Complementary', 'Groups'
+        ], n_samples, p=[0.2, 0.1, 0.5, 0.15, 0.02, 0.03]),
+        'distribution_channel': np.random.choice(['Direct', 'Corporate', 'TA/TO'], n_samples, p=[0.2, 0.1, 0.7]),
+        'is_repeated_guest': np.random.choice([0, 1], n_samples, p=[0.95, 0.05]),
+        'previous_cancellations': np.random.poisson(0.1, n_samples),
+        'previous_bookings_not_canceled': np.random.poisson(0.5, n_samples),
+        'reserved_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples, p=[0.4, 0.2, 0.15, 0.1, 0.08, 0.05, 0.02]),
+        'assigned_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples, p=[0.4, 0.2, 0.15, 0.1, 0.08, 0.05, 0.02]),
+        'booking_changes': np.random.poisson(0.3, n_samples),
+        'deposit_type': np.random.choice(['No Deposit', 'Non Refund', 'Refundable'], n_samples, p=[0.85, 0.1, 0.05]),
+        'customer_type': np.random.choice(['Transient', 'Contract', 'Transient-Party', 'Group'], n_samples, p=[0.7, 0.1, 0.15, 0.05]),
+        'adr': np.random.gamma(5, 20, n_samples) + 50,  # ADR entre 50-250
+        'required_car_parking_spaces': np.random.choice([0, 1], n_samples, p=[0.9, 0.1]),
+        'total_of_special_requests': np.random.poisson(0.5, n_samples),
     }
     
     df = pd.DataFrame(data)
-    return df
-
-# Carrega os dados
-df = load_data()
-
-
-# Título principal
-st.title("🏨 Dashboard de Previsão de Cancelamentos em Reservas Hoteleiras")
-st.markdown("""
-**Objetivo**: Desenvolver e comparar modelos preditivos para identificar reservas com maior probabilidade de cancelamento,
-permitindo ações preventivas como overbooking controlado e ofertas promocionais direcionadas.
-""")
-
-# Carregar dados
-@st.cache_data
-def load_data():
-    np.random.seed(42)
-    n_samples = 3000  # Reduzido para melhor performance no Spaces
     
-    data = {
-        'hotel': np.random.choice(['Resort Hotel', 'City Hotel'], n_samples),
-        'is_canceled': np.random.choice([0, 1], n_samples, p=[0.7, 0.3]),
-        'lead_time': np.random.randint(0, 400, n_samples),
-        'arrival_date_month': np.random.choice(['January', 'February', 'March', 'April', 'May', 'June', 
-                                            'July', 'August', 'September', 'October', 'November', 'December'], n_samples),
-        'stays_in_weekend_nights': np.random.randint(0, 5, n_samples),
-        'stays_in_week_nights': np.random.randint(1, 15, n_samples),
-        'adults': np.random.randint(1, 4, n_samples),
-        'children': np.random.randint(0, 3, n_samples),
-        'babies': np.random.randint(0, 2, n_samples),
-        'meal': np.random.choice(['BB', 'HB', 'FB', 'SC'], n_samples),
-        'country': np.random.choice(['PRT', 'GBR', 'FRA', 'ESP', 'DEU', 'ITA'], n_samples),
-        'market_segment': np.random.choice(['Direct', 'Corporate', 'Online TA', 'Offline TA/TO', 'Complementary'], n_samples),
-        'distribution_channel': np.random.choice(['Direct', 'Corporate', 'TA/TO'], n_samples),
-        'is_repeated_guest': np.random.choice([0, 1], n_samples, p=[0.9, 0.1]),
-        'previous_cancellations': np.random.randint(0, 5, n_samples),
-        'previous_bookings_not_canceled': np.random.randint(0, 10, n_samples),
-        'reserved_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples),
-        'assigned_room_type': np.random.choice(['A', 'B', 'C', 'D', 'E', 'F', 'G'], n_samples),
-        'booking_changes': np.random.randint(0, 5, n_samples),
-        'deposit_type': np.random.choice(['No Deposit', 'Non Refund', 'Refundable'], n_samples),
-        'customer_type': np.random.choice(['Transient', 'Contract', 'Transient-Party', 'Group'], n_samples),
-        'adr': np.random.uniform(50, 300, n_samples),
-        'required_car_parking_spaces': np.random.randint(0, 2, n_samples),
-        'total_of_special_requests': np.random.randint(0, 4, n_samples),
-    }
+    # Ajustar lead_time para ser mais realista
+    df['lead_time'] = np.clip(df['lead_time'], 0, 400)
+    
+    # Ajustar ADR para ter valores mais realistas
+    df['adr'] = np.clip(df['adr'], 50, 300)
     
-    df = pd.DataFrame(data)
     return df
 
 df = load_data()
@@ -192,7 +113,6 @@ elif algorithm == "Support Vector Machine":
 # Configurações gerais
 st.sidebar.subheader("Configurações Gerais")
 test_size = st.sidebar.slider("Tamanho do conjunto de teste", 0.1, 0.5, 0.2, 0.05)
-apply_smote = st.sidebar.checkbox("Aplicar SMOTE para balanceamento", value=True)
 cross_validation = st.sidebar.slider("Número de folds para validação cruzada", 2, 5, 3)
 
 # Análise exploratória
@@ -210,16 +130,20 @@ with col1:
     st.pyplot(fig)
 
 with col2:
-    st.subheader("Top 10 Correlações")
-    numeric_cols = df.select_dtypes(include=[np.number]).columns
-    correlation_with_target = df[numeric_cols].corr()['is_canceled'].sort_values(ascending=False)
-    
+    st.subheader("Lead Time vs Cancelamentos")
     fig, ax = plt.subplots(figsize=(6, 4))
-    correlation_with_target.drop('is_canceled').head(10).plot(kind='barh', ax=ax, color='lightgreen')
-    ax.set_title('Top 10 Correlações com Cancelamentos')
-    ax.set_xlabel('Correlação')
+    sns.boxplot(data=df, x='is_canceled', y='lead_time', ax=ax)
+    ax.set_title('Lead Time por Status de Cancelamento')
+    ax.set_xlabel('Cancelado')
+    ax.set_ylabel('Lead Time (dias)')
     st.pyplot(fig)
 
+# Informações do dataset
+st.sidebar.header("📊 Informações do Dataset")
+st.sidebar.write(f"**Registros**: {len(df):,}")
+st.sidebar.write(f"**Cancelamentos**: {df['is_canceled'].sum():,} ({df['is_canceled'].mean():.1%})")
+st.sidebar.write(f"**Variáveis**: {len(df.columns)}")
+
 # Pré-processamento dos dados
 st.header("🔧 Pré-processamento dos Dados")
 
@@ -235,12 +159,6 @@ X_train, X_test, y_train, y_test = train_test_split(
     X_encoded, y, test_size=test_size, random_state=42, stratify=y
 )
 
-# Aplicar SMOTE se selecionado
-if apply_smote:
-    smote = SMOTE(random_state=42)
-    X_train, y_train = smote.fit_resample(X_train, y_train)
-    st.success("✅ SMOTE aplicado para balanceamento dos dados")
-
 # Normalizar dados
 scaler = StandardScaler()
 X_train_scaled = scaler.fit_transform(X_train)
@@ -380,13 +298,13 @@ with st.spinner(f"Treinando modelo {algorithm}..."):
         st.markdown("""
         **Com base na análise realizada, recomenda-se:**
 
-        1. **Segmentação de Clientes**: Focar em reservas corporativas com lead time superior a 30 dias
-        2. **Política de Overbooking**: Aplicar overbooking controlado de 3-5% para reservas de alta probabilidade de cancelamento
-        3. **Ações Preventivas**: Oferecer upgrades ou benefícios para reservas identificadas como risco médio-alto
-        4. **Comunicação Proativa**: Estabelecer contato com clientes de alto risco 48h antes do check-in
+        1. **Segmentação de Clientes**: Focar em reservas com lead time > 100 dias
+        2. **Política de Overbooking**: Aplicar overbooking de 3-5% para reservas de alto risco
+        3. **Ações Preventivas**: Oferecer upgrades para reservas identificadas como risco médio-alto
+        4. **Comunicação Proativa**: Contato com clientes de alto risco 48h antes do check-in
 
-        **Variáveis mais preditivas de cancelamento:**
-        - Lead time elevado
+        **Fatores de risco identificados:**
+        - Lead time elevado (> 100 dias)
         - Histórico de cancelamentos anteriores
         - Tipo de depósito não reembolsável
         - Canal de distribuição Online TA