Revertendo últimas alterações, sem efeito.

dashboard.py

@@ -234,23 +234,12 @@ if df_raw is not None:
         st.info("Calculando valores SHAP para o modelo XGBoost (padrão para esta análise)...")
         
         # Treinar um modelo fixo para análise SHAP estável
-        # Force a numeric `base_score` to avoid issues where XGBoost stores it as a string like '[3E-1]'
-        # which causes shap to fail when converting to float.
-        model_shap = xgb.XGBClassifier(use_label_encoder=False, eval_metric='logloss', random_state=42, base_score=0.5)
+        model_shap = xgb.XGBClassifier(use_label_encoder=False, eval_metric='logloss', random_state=42)
         model_shap.fit(X_train, y_train)
-
-        # Criar Explainer: try TreeExplainer first, fallback to the generic shap.Explainer if TreeExplainer fails
-        try:
-            explainer = shap.TreeExplainer(model_shap)
-        except Exception as e:
-            st.warning(f"shap.TreeExplainer falhou ({e}). Usando shap.Explainer como fallback.")
-            explainer = shap.Explainer(model_shap, X_train)
-
-        # Support both explainer APIs: older "shap_values" function and newer callables that return .values
-        try:
-            shap_values = explainer.shap_values(X_test)
-        except Exception:
-            shap_values = explainer(X_test).values
+        
+        # Criar Explainer
+        explainer = shap.TreeExplainer(model_shap)
+        shap_values = explainer.shap_values(X_test)
         
         st.subheader("Importância Global das Variáveis (Summary Plot)")
         st.markdown("Este gráfico mostra quais variáveis mais impactam na decisão do modelo. Pontos à direita aumentam a probabilidade de ser 'Bad' (Inadimplente).")