Predição de Satisfação de Clientes em Companhia Aérea ✈️

Descrição

Este projeto tem como objetivo construir um modelo de Machine Learning capaz de prever a satisfação de clientes de uma companhia aérea. Através da análise de diversos fatores relacionados à experiência de voo, como serviços de bordo, pontualidade e conforto, o modelo busca identificar padrões que indiquem a probabilidade de um cliente estar satisfeito ou insatisfeito.

Tecnologias Utilizadas

• Python
• Pandas
• Scikit-learn
• mlxtend

Dicionário de Dados

Coluna	Descrição	Tipo de Dado
id	Identificador único do cliente	Numérico
Gender	Gênero do cliente	Categórico
Customer Type	Tipo de cliente (ex: Cliente Fidelidade)	Categórico
Age	Idade do cliente	Numérico
Type of Travel	Motivo da viagem (ex: Negócios, Pessoal)	Categórico
Class	Classe do assento (ex: Econômica, Executiva)	Categórico
Flight Distance	Distância do voo	Numérico
Inflight wifi service	Avaliação do serviço de Wi-fi a bordo	Numérico (1-5)
Departure/Arrival time convenient	Avaliação da conveniência do horário de partida/chegada	Numérico (1-5)
...	...	...
Inflight entertainment	Avaliação do entretenimento a bordo	Numérico (1-5)
On-board service	Avaliação do serviço a bordo	Numérico (1-5)
Leg room service	Avaliação do espaço para as pernas	Numérico (1-5)
Baggage handling	Avaliação do serviço de bagagem	Numérico (1-5)
Checkin service	Avaliação do serviço de check-in	Numérico (1-5)
Inflight service	Avaliação do serviço durante o voo	Numérico (1-5)
Cleanliness	Avaliação da limpeza da aeronave	Numérico (1-5)
Departure Delay in Minutes	Atraso na partida (em minutos)	Numérico
Arrival Delay in Minutes	Atraso na chegada (em minutos)	Numérico
satisfaction	Nível de satisfação do cliente (satisfeito, neutro/insatisfeito)	Categórico

Descrição Detalhada do Projeto

Preprocessamento de Dados:

1. One-Hot Encoding: Variáveis categóricas foram transformadas em numéricas utilizando One-Hot Encoding.
2. Remoção de Colunas Irrelevantes: Colunas identificadas como irrelevantes para a previsão da satisfação do cliente foram removidas.
3. Tratamento de Dados Nulos: Dados faltantes foram tratados.

Modelagem:

Diversos algoritmos de classificação foram treinados e avaliados:

• Modelos Base:
  • DecisionTreeClassifier
  • LogisticRegression
  • GaussianNB
• Ensemble Methods:
  • VotingClassifier (combinação dos modelos base)
  • ExtraTreesClassifier
  • AdaBoostClassifier
  • CatBoostClassifier
• Técnicas de Ensemble:
  • Bagging
  • Boosting
  • Stacking

Otimização de Hiperparâmetros:

Técnicas de otimização de hiperparâmetros foram aplicadas para encontrar os melhores parâmetros para cada modelo.

Avaliação do Modelo:

A avaliação do desempenho dos modelos foi realizada utilizando:

• Validação Cruzada: Para garantir a robustez dos resultados e evitar overfitting.
• Matriz de Confusão: Para visualizar o desempenho do modelo em cada classe.
• Métricas de Avaliação:
  • Acurácia
  • Precisão
  • Recall
  • F1-score