Prévia do material em texto
Classificação: Interna
Classificação: Interna
Classificação: Interna
Algoritmo:
import pandas as pd
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
idade = [30, 35, 40, 45, 50, 55, 60, 65, 70]
renda = [5000, 6000, 7000, 8000, 9000, 10000, 11000, 12000, 13000]
historico_credito = [1, 1, 0, 1, 1, 0, 0, 1, 1]
emprego = [1, 1, 0, 1, 0, 0, 1, 1, 0]
propriedade = [1, 0, 1, 1, 1, 0, 1, 0, 1]
concessao_emprestimo =[1, 1, 0, 1, 1, 0, 0, 1, 1]
df_aprovacao = pd.DataFrame({'idade': idade,
'renda': renda,
'historico_credito': historico_credito,
'emprego': emprego,
'propriedade': propriedade,
'concessao_emprestimo': concessao_emprestimo
})
X = df_aprovacao.iloc[:,:5]
y = df_aprovacao.iloc[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
clf = tree.DecisionTreeClassifier()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Acurácia do modelo:", accuracy)
def classificar_emprestimo(idade, renda, historico_credito, emprego, propriedade):
dados_cliente = pd.DataFrame({
'idade': [idade],
'renda': [renda],
'historico_credito': [historico_credito],
'emprego': [emprego],
'propriedade': [propriedade]
})
previsao = clf.predict(dados_cliente)
if previsao[0] == 1:
return "Empréstimo concedido"
else:
return "Empréstimo negado"
resultado = classificar_emprestimo(30, 5000, 1, 1, 1)
print("Resultado da classificação:", resultado)
tree.plot_tree(clf)
image1.png
image2.png