Ilustração conceptual · não representa empresas ou resultados reais
De onde nasce
Um projeto universitário que parte de uma pergunta. Que informação útil sobre o risco de falência posso obter dos dados das empresas?
Problemas e decisões
Escolher a métrica
As falências são a classe rara. Não as detetar pode custar mais do que um falso alarme. Usei também o F3, que dá mais peso à sensibilidade do que à precisão, para analisar esse equilíbrio.
Comparar estratégias
Comparei modelos e limiares para observar como mudam os casos detetados e os falsos alarmes, e estudei a importância das variáveis com Random Forest.
Como funciona
Um notebook Python prepara e normaliza dados tabulares com pandas, NumPy e ferramentas do scikit-learn.
O Random Forest permite estudar a importância das variáveis. Os ensaios comparam configurações RF e máquinas de vetores de suporte.
As experiências com redes neuronais usam TensorFlow/Keras e analisam arquiteturas, regularização e sinais de sobreajustamento.
Limiares de decisão e conjuntos de variáveis são comparados com F3-score, curvas ROC e gráficos guardados no notebook.
Dentro do projeto
Dos dados à interpretação: as etapas do projeto.
01Dados e preparação
02Variáveis e normalização
03Random Forest · SVM · redes neuronais
04Limiares · F₃ · ROC · sobreajustamento
Diagrama descritivo do projeto
O que aprendi
Este projeto ensinou-me a ler uma pontuação em conjunto com os erros que contém. Mudar a métrica ou o limiar altera os casos detetados. Ao comparar modelos, quero tornar claro esse compromisso.
Estado atual
Projeto universitário exploratório. Os gráficos documentam execuções guardadas no notebook. Verificar as conclusões exigiria uma avaliação independente com novos dados.
