automatic import of python-pycomp

3 files changed, 915 insertions, 0 deletions

diff --git a/.gitignore b/.gitignore
index e69de29..3a8abd4 100644
--- a/.gitignore
+++ b/.gitignore
@@ -0,0 +1 @@
+/pycomp-0.3.3.tar.gz
diff --git a/python-pycomp.spec b/python-pycomp.spec
new file mode 100644
index 0000000..10e0383
--- /dev/null
+++ b/python-pycomp.spec
@@ -0,0 +1,913 @@
+%global _empty_manifest_terminate_build 0
+Name:		python-pycomp
+Version:	0.3.3
+Release:	1
+Summary:	Fábrica de componentes Python
+License:	MIT
+URL:		https://github.com/ThiagoPanini/pycomp
+Source0:	https://mirrors.nju.edu.cn/pypi/web/packages/ed/ef/749933a61523d252329f8baedeba1225de8d4160c2b213a2baa5f7e71684/pycomp-0.3.3.tar.gz
+BuildArch:	noarch
+
+Requires:	python3-numpy
+Requires:	python3-pandas
+Requires:	python3-joblib
+Requires:	python3-scikit-learn
+Requires:	python3-matplotlib
+Requires:	python3-seaborn
+Requires:	python3-shap
+
+%description
+<h1 align="center">
+  <a href="https://pypi.org/project/pycomp/#description"><img src="https://i.imgur.com/WcAaq1P.png" alt="pycomp Logo"></a>
+</h1>
+
+<div align="center">
+  <strong>Fábrica de componentes Python</strong>
+</div>
+<br/>
+
+<div align="center">
+
+![Release](https://img.shields.io/badge/release-ok-brightgreen)
+[![PyPI](https://img.shields.io/pypi/v/pycomp?color=blueviolet)](https://pypi.org/project/pycomp/)
+![PyPI - Downloads](https://img.shields.io/pypi/dm/pycomp?color=9cf)
+![PyPI - Python Version](https://img.shields.io/pypi/pyversions/pycomp?color=green)
+![PyPI - Status](https://img.shields.io/pypi/status/pycomp)
+
+</div>
+<br/>
+
+Literalmente, uma fábrica de componentes em Python criada para auxiliar implementações, automações e até treinamento de modelos de Machine Learning! O objetivo desse pacote é propor uma forma mais fácil de se trabalhar com Python a partir do fornecimento de componentes prontos (funções e classes) para uma série de atividades rotineiras e exploratórias.
+
+## Features
+
+- :file_folder: __fs__: módulo responsável por auxiliar o manuseio de arquivos em sistemas operacionais. Em seu conteúdo, é possível encontrar funções úteis para a cópia de arquivos de um diretório origem para um diretório destino, além de funções utilizadas para a validação de presença e atualização de arquivos, entre outras.
+
+- :pencil: __log__: módulo com o objetivo de facilitar a geração, configuração e o armazenamento de logs de execução dos demais módulos do pacote.
+
+- :robot: __ml__: provavelmente o mais completo do pacote, o módulo ml (machine learning) contém componentes apropriados para a construção e aplicação de pipelines de pré-processamento de dados, além de blocos de código responsáveis por automatizar o treinamento e avaliação de modelos de aprendizado de máquina. 
+
+- :bar_chart: __viz__: módulo responsável por propor componentes prontos para geração e customização de gráficos utilizando as bibliotecas matplotlib e seaborn. As funções contidas neste módulo trazem códigos consolidados para geração de insights em bases de dados a partir de análises gráficas personalizadas. 
+
+A fábrica está a todo vapor! Com mais de 2 mil linhas de código, sua capacidade de produção e seu leque de fornecimento pode ser resumido em:
+
+| Tópico                     | Módulo                   | Funções           | Classes         | Componentes Totais  |Linhas de Código |
+| -------------------------- | :---------------:        | :---------------: | :-------------: | :-----------------: | :-------------: |
+| File System                | `pycomp.fs.arquivos`     |         4         |        0        |        4            |      ~300       |
+| Logs                       | `pycomp.log.log_config`  |         1         |        0        |        1            |       ~70       |
+| Machine Learning           | `pycomp.ml.transformers` |         0         |        9        |        9            |      ~400       |
+|                            | `pycomp.ml.trainer`      |        25         |        1        |       26            |     ~1500       |
+| Viz                        | `pycomp.viz.formatador`  |         2         |        1        |        3            |      ~100       |
+|                            | `pycomp.viz.insights`    |         5         |        0        |        5            |      ~700       |
+
+
+## Instalação
+
+A última versão do pacote `pycomp` encontra-se publicada no repositório [PyPI](https://pypi.org/project/pycomp/). 
+
+> **Nota**: Como boa prática, recomenda-se a criação de um ambiente virual env Python para alocar as bibliotecas do projeto a ser desenvolvido. Caso não tenha um virtual env criado, o bloco de código abaixo pode ser utilizado para a criação de ambiente virtual em um diretório específico: 
+```bash
+# Criando diretório para o virtual env
+$ mkdir ~/<nome diretorio> # ou qualquer outro caminho
+$ cd ~/<nome diretorio>
+
+# Criando ambiente virtual
+$ python3 -m venv <nome venv>
+```
+
+Utilizando uma ferramenta de desenvolvimento (IDE ou a própria linha de comando), ative o ambiente virtual de trabalho:
+```bash
+$ source ~/<nome diretorio>/<nome venv>/bin/activate
+```
+
+Após a ativação, é possível instalar o pacote `pycomp` via pip:
+```bash
+# Atualizando pip e instalando pycomp
+$ pip install pycomp --upgrade
+```
+
+> **Nota**: o pacote `pycomp` é construído como uma ferramenta de top level em cima de outros pacotes conhecidos em Python, como sklearn, pandas e numpy. Ao instalar o `pycomp`, as dependências especificadas também serão instaladas automaticamente em seu ambiente virtual de trabalho.
+
+Resumo do output esperado no cmd após a instalação do pacote::
+```
+Collecting pycomp
+[...]
+Installing collected packages: numpy, pytz, six, python-dateutil, pandas, joblib, scipy, threadpoolctl, scikit-learn, tqdm, slicer, llvmlite, numba, shap, pyparsing, cycler, certifi, kiwisolver, pillow, matplotlib, seaborn, pycomp
+  Running setup.py install for numba ... done
+  Running setup.py install for shap ... done
+Successfully installed certifi-2020.11.8 cycler-0.10.0 joblib-0.17.0 kiwisolver-1.3.1 llvmlite-0.34.0 matplotlib-3.3.2 numba-0.51.2 numpy-1.19.3 pandas-1.1.3 pillow-8.0.1 pycomp-0.0.15 pyparsing-2.4.7 python-dateutil-2.8.1 pytz-2020.4 scikit-learn-0.23.2 scipy-1.5.4 seaborn-0.11.0 shap-0.37.0 six-1.15.0 slicer-0.0.3 threadpoolctl-2.1.0 tqdm-4.51.0
+```
+
+## Utilização
+Para demonstrar uma poderosa aplicação do pacote `pycomp`, será exemplificado abaixo um trecho de código que, em poucas linhas, é responsável por:
+  - Consolidar um Pipeline completo de DataPrep utilizando classes _transformadoras_ já preparadas
+  - Treinar e avaliar diferentes modelos de classificação (_LogisticRegression, DecisionTreeClassifier_ e _RandomForestClassifier_)
+  - Utilização de _RandomizedSearchCV_ para buscar os melhores hyperparâmetros para cada modelo
+  - Registrar os resultados obtidos (dados e gráficos) em um diretório de output
+  - Retornar um modelo específico para passos futuros
+
+Como insumo, será utilizado o dataset [Titanic](https://www.kaggle.com/c/titanic) obtido a partir da união dos arquivos `train.csv` e `test.csv`, gerando assim o input `titanic.csv` contido no script.
+
+```python
+# Importando bibliotecas
+import pandas as pd
+import numpy as np
+from sklearn.pipeline import Pipeline
+from sklearn.compose import ColumnTransformer
+from sklearn.linear_model import LogisticRegression
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.ensemble import RandomForestClassifier
+from warnings import filterwarnings
+filterwarnings('ignore')
+
+from pycomp.ml.transformers import FormataColunas, FiltraColunas, DefineTarget, EliminaDuplicatas, PreencheDadosNulos, SplitDados
+from pycomp.ml.trainer import ClassificadorBinario
+
+# Lendo base de dados (titanic data - train + test)
+df = pd.read_csv('titanic.csv')
+cols_filter = ['survived', 'pclass', 'age', 'sibsp', 'fare']
+
+# Pipeline da primeira camada
+first_layer_pipe = Pipeline([
+    ('formatter', FormataColunas()),
+    ('selector', FiltraColunas(features=cols_filter)),
+    ('target_generator', DefineTarget(target_col='survived', pos_class=1.0)),
+    ('dup_dropper', EliminaDuplicatas()),
+    ('na_filler', PreencheDadosNulos(value_fill=0)),
+    ('splitter', SplitDados(target='target'))
+])
+
+# Executando pipeline
+X_train, X_test, y_train, y_test = first_layer_pipe.fit_transform(df)
+features = list(X_train.columns)
+
+# Preparando classificadores
+tree_clf = DecisionTreeClassifier()
+log_reg = LogisticRegression()
+forest_clf = RandomForestClassifier()
+
+# Logistic Regression hyperparameters
+logreg_param_grid = {
+    'C': np.linspace(0.1, 10, 20),
+    'penalty': ['l1', 'l2'],
+    'class_weight': ['balanced', None],
+    'random_state': [42],
+    'solver': ['liblinear']
+}
+
+# Decision Trees hyperparameters
+tree_param_grid = {
+    'criterion': ['entropy', 'gini'],
+    'max_depth': [3, 5, 10, 20],
+    'max_features': np.arange(1, X_train.shape[1]),
+    'class_weight': ['balanced', None],
+    'random_state': [42]
+}
+
+# Random Forest hyperparameters
+forest_param_grid = {
+    'bootstrap': [True, False],
+    'max_depth': [3, 5, 10, 20, 50],
+    'n_estimators': [50, 100, 200, 500],
+    'random_state': [42],
+    'max_features': ['auto', 'sqrt'],
+    'class_weight': ['balanced', None]
+}
+
+# Configurando classificadores
+set_classifiers = {
+    'LogisticRegression': {
+        'model': log_reg,
+        'params': logreg_param_grid
+    },
+    'DecisionTree': {
+        'model': tree_clf,
+        'params': tree_param_grid
+    },
+    'RandomForest': {
+        'model': forest_clf,
+        'params': forest_param_grid
+    }
+}
+
+# Definindo variáveis de execução
+OUTPUT_PATH = 'output/'
+
+# Inicializando objeto
+trainer = ClassificadorBinario()
+
+# Fluxo de treino
+trainer.training_flow(set_classifiers, X_train, y_train, X_test, y_test, features, output_path=OUTPUT_PATH, random_search=True)
+
+# Análise gŕafica
+trainer.visual_analysis(features=features, model_shap='DecisionTree', output_path=OUTPUT_PATH)
+
+# Retornando informações relevantes de um modelo específico
+model = trainer._get_estimator(model_name='RandomForest')
+metrics = trainer._get_metrics(model_name='RandomForest')
+model_info = trainer._get_model_info(model_name='RandomForest')
+classifiers_info = trainer._get_classifiers_info()
+```
+
+Ao utilizar as ferramentas disponibilizadas no módulo `ml` do pacote `pycomp`, o usuário consegue facilmente construir e executar um Pipeline de preparação de dados enxuto e otimizado a partir das classes pré definidas no módulo `transformers`. Em complemento a essa feature, o módulo `trainer` traz consigo a classe `ClassificadorBinario` com o objetivo de facilitar o treinamento e avaliação de classificadores binários. O usuário final necessita apenas fornecer uma base de dados como input, os _estimators_ (modelos a serem treinados) e seus respectivos hyperparâmetros de busca a serem utilizados no processo. 
+
+### Outputs
+Ao realizar a importação do pacote `pycomp` no script, um objeto logger da biblioteca `logging` é instanciado automaticamente, gerando assim um arquivo `exec_log/execution_log.log` no mesmo diretório de execução do script com os detalhes de cada passo dado nas funções e métodos aplicados. A cada execução do exemplo acima, espera-se que as seguintes mensagens sejam registradas no arquivo de log apresentadas no cmd:
+
+```
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;224;Treinando modelo LogisticRegression
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    1.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo LogisticRegression treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo DecisionTree
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    0.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo DecisionTree treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo RandomForest
+[...]
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;1145;Plotando curvas de aprendizado de treino e validação para o modelo RandomForest
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:37;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/learning_curve.png
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1187;Explicando o modelo DecisionTree através da análise shap
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1195;Retornando parâmetros da classe para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1205;Criando explainer e gerando valores shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1218;Plotando análise shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:38;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/shap_analysis_DecisionTree.png
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1305;Retornando estimator do modelo RandomForest já treinado
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1326;Retornando as métricas dos modelos treinados
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1366;Retornando informações registradas do modelo RandomForest
+```
+
+Ao definir um diretório de saída, as execuções dos métodos `training_flow()` e `visual_analysis()` da classe `ClassificadorBinario` irão gerar arquivos úteis para uma definitiva avaliação do melhor classificador para a respectiva tarefa. No código utilizado como exemplo, a variável `OUTPUT_PATH` recebe a string `'output/'` e, por consequência, gera os seguintes arquivos ao final da execução:
+
+```bash
+$ tree output/
+output/
+├── imgs
+│   ├── confusion_matrix.png
+│   ├── feature_importance.png
+│   ├── learning_curve.png
+│   ├── metrics_comparison.png
+│   ├── roc_curve.png
+│   ├── score_bins_percent.png
+│   ├── score_bins.png
+│   ├── score_distribution.png
+│   └── shap_analysis_DecisionTree.png
+├── metrics
+│   ├── metrics.csv
+│   └── top_features.csv
+└── models
+    ├── decisiontree.pkl
+    ├── logisticregression.pkl
+    └── randomforest.pkl
+```
+
+## Próximos Passos
+- [x] Consolidar função `visual_analysis()` para gerar todas as análises acima (`trainer.py`)
+- [x] Consturção de funções para análise categórica em processo de EDA (`insights.py`)
+- [x] Criação de guideline para utilização do módulo `transformers.py`
+- [x] Criação de guideline para utilização do módulo `trainer.py`
+- [x] Criação de guideline para utilização do módulo `insights.py`
+- [ ] Brainstorming para pipelines automáticos de prep + treino (`transformers.py + trainer.py`)
+- [ ] Inserir GIF de demonstração do projeto
+- [ ] Finalização do módulo insights para plotagens gráficas e aplicação de EDA em bases de dados (`insights.py`)
+
+
+## Guidelines
+De modo a propor uma maior democratização do pacote `pycomp`, foram construídos alguns "notebooks-guidelines" em espécies de demonstração das principais aplicações dos módulos `pycomp` em situações prática de uso. Assim, na pastas `guidelines/` do projeto no Github, é possível encontrar diferentes arquivos `.ipynb` contendo:
+
+- `insights_guideline.ipynb`: aplicação do módulo _insights.py_ para a construção de plotagens gráficos dentro de um processo de exploração de uma base de dados em caráter investigativo, analisando os dados e propondo insights para possíveis problemas de negócio.
+- `transformers_guideline.ipynb`: em complemento ao módulo _insights.py_, o módulo _transformers.py_ atua na continuação na cadeia de desenvolvimento de uma solução completa em ciência de dados. Neste notebook explicativo, o objetivo é construir um pipeline completo de transformação de uma base de dados lida.
+- `trainer_guideline.ipynb`: por fim, finalizando o desenvolvimento da solução, o notebook explicativo para o módulo _trainer.py_ atua de modo a evidenciar um exemplo prático de treinamento e avaliação de um modelo preditivo em uma base já preparada a partir de um pipeline construído previamente com as ferramentas do módulo _transformers.py_
+
+
+## Referências
+
+Géron A., ed. (2017) Hands-On Machine Learning with Scikit-Learn & TensorFlow. 1st ed. California: O'Reilly
+
+Géron A., handson-ml, (2020), GitHub repository, https://github.com/ageron/handson-ml  	
+
+Stanford University (Producer). (2019). Machine Learning. Retrieved from https://www.coursera.org/learn/machine-learning/home/welcome
+
+
+
+
+%package -n python3-pycomp
+Summary:	Fábrica de componentes Python
+Provides:	python-pycomp
+BuildRequires:	python3-devel
+BuildRequires:	python3-setuptools
+BuildRequires:	python3-pip
+%description -n python3-pycomp
+<h1 align="center">
+  <a href="https://pypi.org/project/pycomp/#description"><img src="https://i.imgur.com/WcAaq1P.png" alt="pycomp Logo"></a>
+</h1>
+
+<div align="center">
+  <strong>Fábrica de componentes Python</strong>
+</div>
+<br/>
+
+<div align="center">
+
+![Release](https://img.shields.io/badge/release-ok-brightgreen)
+[![PyPI](https://img.shields.io/pypi/v/pycomp?color=blueviolet)](https://pypi.org/project/pycomp/)
+![PyPI - Downloads](https://img.shields.io/pypi/dm/pycomp?color=9cf)
+![PyPI - Python Version](https://img.shields.io/pypi/pyversions/pycomp?color=green)
+![PyPI - Status](https://img.shields.io/pypi/status/pycomp)
+
+</div>
+<br/>
+
+Literalmente, uma fábrica de componentes em Python criada para auxiliar implementações, automações e até treinamento de modelos de Machine Learning! O objetivo desse pacote é propor uma forma mais fácil de se trabalhar com Python a partir do fornecimento de componentes prontos (funções e classes) para uma série de atividades rotineiras e exploratórias.
+
+## Features
+
+- :file_folder: __fs__: módulo responsável por auxiliar o manuseio de arquivos em sistemas operacionais. Em seu conteúdo, é possível encontrar funções úteis para a cópia de arquivos de um diretório origem para um diretório destino, além de funções utilizadas para a validação de presença e atualização de arquivos, entre outras.
+
+- :pencil: __log__: módulo com o objetivo de facilitar a geração, configuração e o armazenamento de logs de execução dos demais módulos do pacote.
+
+- :robot: __ml__: provavelmente o mais completo do pacote, o módulo ml (machine learning) contém componentes apropriados para a construção e aplicação de pipelines de pré-processamento de dados, além de blocos de código responsáveis por automatizar o treinamento e avaliação de modelos de aprendizado de máquina. 
+
+- :bar_chart: __viz__: módulo responsável por propor componentes prontos para geração e customização de gráficos utilizando as bibliotecas matplotlib e seaborn. As funções contidas neste módulo trazem códigos consolidados para geração de insights em bases de dados a partir de análises gráficas personalizadas. 
+
+A fábrica está a todo vapor! Com mais de 2 mil linhas de código, sua capacidade de produção e seu leque de fornecimento pode ser resumido em:
+
+| Tópico                     | Módulo                   | Funções           | Classes         | Componentes Totais  |Linhas de Código |
+| -------------------------- | :---------------:        | :---------------: | :-------------: | :-----------------: | :-------------: |
+| File System                | `pycomp.fs.arquivos`     |         4         |        0        |        4            |      ~300       |
+| Logs                       | `pycomp.log.log_config`  |         1         |        0        |        1            |       ~70       |
+| Machine Learning           | `pycomp.ml.transformers` |         0         |        9        |        9            |      ~400       |
+|                            | `pycomp.ml.trainer`      |        25         |        1        |       26            |     ~1500       |
+| Viz                        | `pycomp.viz.formatador`  |         2         |        1        |        3            |      ~100       |
+|                            | `pycomp.viz.insights`    |         5         |        0        |        5            |      ~700       |
+
+
+## Instalação
+
+A última versão do pacote `pycomp` encontra-se publicada no repositório [PyPI](https://pypi.org/project/pycomp/). 
+
+> **Nota**: Como boa prática, recomenda-se a criação de um ambiente virual env Python para alocar as bibliotecas do projeto a ser desenvolvido. Caso não tenha um virtual env criado, o bloco de código abaixo pode ser utilizado para a criação de ambiente virtual em um diretório específico: 
+```bash
+# Criando diretório para o virtual env
+$ mkdir ~/<nome diretorio> # ou qualquer outro caminho
+$ cd ~/<nome diretorio>
+
+# Criando ambiente virtual
+$ python3 -m venv <nome venv>
+```
+
+Utilizando uma ferramenta de desenvolvimento (IDE ou a própria linha de comando), ative o ambiente virtual de trabalho:
+```bash
+$ source ~/<nome diretorio>/<nome venv>/bin/activate
+```
+
+Após a ativação, é possível instalar o pacote `pycomp` via pip:
+```bash
+# Atualizando pip e instalando pycomp
+$ pip install pycomp --upgrade
+```
+
+> **Nota**: o pacote `pycomp` é construído como uma ferramenta de top level em cima de outros pacotes conhecidos em Python, como sklearn, pandas e numpy. Ao instalar o `pycomp`, as dependências especificadas também serão instaladas automaticamente em seu ambiente virtual de trabalho.
+
+Resumo do output esperado no cmd após a instalação do pacote::
+```
+Collecting pycomp
+[...]
+Installing collected packages: numpy, pytz, six, python-dateutil, pandas, joblib, scipy, threadpoolctl, scikit-learn, tqdm, slicer, llvmlite, numba, shap, pyparsing, cycler, certifi, kiwisolver, pillow, matplotlib, seaborn, pycomp
+  Running setup.py install for numba ... done
+  Running setup.py install for shap ... done
+Successfully installed certifi-2020.11.8 cycler-0.10.0 joblib-0.17.0 kiwisolver-1.3.1 llvmlite-0.34.0 matplotlib-3.3.2 numba-0.51.2 numpy-1.19.3 pandas-1.1.3 pillow-8.0.1 pycomp-0.0.15 pyparsing-2.4.7 python-dateutil-2.8.1 pytz-2020.4 scikit-learn-0.23.2 scipy-1.5.4 seaborn-0.11.0 shap-0.37.0 six-1.15.0 slicer-0.0.3 threadpoolctl-2.1.0 tqdm-4.51.0
+```
+
+## Utilização
+Para demonstrar uma poderosa aplicação do pacote `pycomp`, será exemplificado abaixo um trecho de código que, em poucas linhas, é responsável por:
+  - Consolidar um Pipeline completo de DataPrep utilizando classes _transformadoras_ já preparadas
+  - Treinar e avaliar diferentes modelos de classificação (_LogisticRegression, DecisionTreeClassifier_ e _RandomForestClassifier_)
+  - Utilização de _RandomizedSearchCV_ para buscar os melhores hyperparâmetros para cada modelo
+  - Registrar os resultados obtidos (dados e gráficos) em um diretório de output
+  - Retornar um modelo específico para passos futuros
+
+Como insumo, será utilizado o dataset [Titanic](https://www.kaggle.com/c/titanic) obtido a partir da união dos arquivos `train.csv` e `test.csv`, gerando assim o input `titanic.csv` contido no script.
+
+```python
+# Importando bibliotecas
+import pandas as pd
+import numpy as np
+from sklearn.pipeline import Pipeline
+from sklearn.compose import ColumnTransformer
+from sklearn.linear_model import LogisticRegression
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.ensemble import RandomForestClassifier
+from warnings import filterwarnings
+filterwarnings('ignore')
+
+from pycomp.ml.transformers import FormataColunas, FiltraColunas, DefineTarget, EliminaDuplicatas, PreencheDadosNulos, SplitDados
+from pycomp.ml.trainer import ClassificadorBinario
+
+# Lendo base de dados (titanic data - train + test)
+df = pd.read_csv('titanic.csv')
+cols_filter = ['survived', 'pclass', 'age', 'sibsp', 'fare']
+
+# Pipeline da primeira camada
+first_layer_pipe = Pipeline([
+    ('formatter', FormataColunas()),
+    ('selector', FiltraColunas(features=cols_filter)),
+    ('target_generator', DefineTarget(target_col='survived', pos_class=1.0)),
+    ('dup_dropper', EliminaDuplicatas()),
+    ('na_filler', PreencheDadosNulos(value_fill=0)),
+    ('splitter', SplitDados(target='target'))
+])
+
+# Executando pipeline
+X_train, X_test, y_train, y_test = first_layer_pipe.fit_transform(df)
+features = list(X_train.columns)
+
+# Preparando classificadores
+tree_clf = DecisionTreeClassifier()
+log_reg = LogisticRegression()
+forest_clf = RandomForestClassifier()
+
+# Logistic Regression hyperparameters
+logreg_param_grid = {
+    'C': np.linspace(0.1, 10, 20),
+    'penalty': ['l1', 'l2'],
+    'class_weight': ['balanced', None],
+    'random_state': [42],
+    'solver': ['liblinear']
+}
+
+# Decision Trees hyperparameters
+tree_param_grid = {
+    'criterion': ['entropy', 'gini'],
+    'max_depth': [3, 5, 10, 20],
+    'max_features': np.arange(1, X_train.shape[1]),
+    'class_weight': ['balanced', None],
+    'random_state': [42]
+}
+
+# Random Forest hyperparameters
+forest_param_grid = {
+    'bootstrap': [True, False],
+    'max_depth': [3, 5, 10, 20, 50],
+    'n_estimators': [50, 100, 200, 500],
+    'random_state': [42],
+    'max_features': ['auto', 'sqrt'],
+    'class_weight': ['balanced', None]
+}
+
+# Configurando classificadores
+set_classifiers = {
+    'LogisticRegression': {
+        'model': log_reg,
+        'params': logreg_param_grid
+    },
+    'DecisionTree': {
+        'model': tree_clf,
+        'params': tree_param_grid
+    },
+    'RandomForest': {
+        'model': forest_clf,
+        'params': forest_param_grid
+    }
+}
+
+# Definindo variáveis de execução
+OUTPUT_PATH = 'output/'
+
+# Inicializando objeto
+trainer = ClassificadorBinario()
+
+# Fluxo de treino
+trainer.training_flow(set_classifiers, X_train, y_train, X_test, y_test, features, output_path=OUTPUT_PATH, random_search=True)
+
+# Análise gŕafica
+trainer.visual_analysis(features=features, model_shap='DecisionTree', output_path=OUTPUT_PATH)
+
+# Retornando informações relevantes de um modelo específico
+model = trainer._get_estimator(model_name='RandomForest')
+metrics = trainer._get_metrics(model_name='RandomForest')
+model_info = trainer._get_model_info(model_name='RandomForest')
+classifiers_info = trainer._get_classifiers_info()
+```
+
+Ao utilizar as ferramentas disponibilizadas no módulo `ml` do pacote `pycomp`, o usuário consegue facilmente construir e executar um Pipeline de preparação de dados enxuto e otimizado a partir das classes pré definidas no módulo `transformers`. Em complemento a essa feature, o módulo `trainer` traz consigo a classe `ClassificadorBinario` com o objetivo de facilitar o treinamento e avaliação de classificadores binários. O usuário final necessita apenas fornecer uma base de dados como input, os _estimators_ (modelos a serem treinados) e seus respectivos hyperparâmetros de busca a serem utilizados no processo. 
+
+### Outputs
+Ao realizar a importação do pacote `pycomp` no script, um objeto logger da biblioteca `logging` é instanciado automaticamente, gerando assim um arquivo `exec_log/execution_log.log` no mesmo diretório de execução do script com os detalhes de cada passo dado nas funções e métodos aplicados. A cada execução do exemplo acima, espera-se que as seguintes mensagens sejam registradas no arquivo de log apresentadas no cmd:
+
+```
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;224;Treinando modelo LogisticRegression
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    1.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo LogisticRegression treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo DecisionTree
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    0.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo DecisionTree treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo RandomForest
+[...]
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;1145;Plotando curvas de aprendizado de treino e validação para o modelo RandomForest
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:37;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/learning_curve.png
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1187;Explicando o modelo DecisionTree através da análise shap
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1195;Retornando parâmetros da classe para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1205;Criando explainer e gerando valores shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1218;Plotando análise shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:38;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/shap_analysis_DecisionTree.png
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1305;Retornando estimator do modelo RandomForest já treinado
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1326;Retornando as métricas dos modelos treinados
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1366;Retornando informações registradas do modelo RandomForest
+```
+
+Ao definir um diretório de saída, as execuções dos métodos `training_flow()` e `visual_analysis()` da classe `ClassificadorBinario` irão gerar arquivos úteis para uma definitiva avaliação do melhor classificador para a respectiva tarefa. No código utilizado como exemplo, a variável `OUTPUT_PATH` recebe a string `'output/'` e, por consequência, gera os seguintes arquivos ao final da execução:
+
+```bash
+$ tree output/
+output/
+├── imgs
+│   ├── confusion_matrix.png
+│   ├── feature_importance.png
+│   ├── learning_curve.png
+│   ├── metrics_comparison.png
+│   ├── roc_curve.png
+│   ├── score_bins_percent.png
+│   ├── score_bins.png
+│   ├── score_distribution.png
+│   └── shap_analysis_DecisionTree.png
+├── metrics
+│   ├── metrics.csv
+│   └── top_features.csv
+└── models
+    ├── decisiontree.pkl
+    ├── logisticregression.pkl
+    └── randomforest.pkl
+```
+
+## Próximos Passos
+- [x] Consolidar função `visual_analysis()` para gerar todas as análises acima (`trainer.py`)
+- [x] Consturção de funções para análise categórica em processo de EDA (`insights.py`)
+- [x] Criação de guideline para utilização do módulo `transformers.py`
+- [x] Criação de guideline para utilização do módulo `trainer.py`
+- [x] Criação de guideline para utilização do módulo `insights.py`
+- [ ] Brainstorming para pipelines automáticos de prep + treino (`transformers.py + trainer.py`)
+- [ ] Inserir GIF de demonstração do projeto
+- [ ] Finalização do módulo insights para plotagens gráficas e aplicação de EDA em bases de dados (`insights.py`)
+
+
+## Guidelines
+De modo a propor uma maior democratização do pacote `pycomp`, foram construídos alguns "notebooks-guidelines" em espécies de demonstração das principais aplicações dos módulos `pycomp` em situações prática de uso. Assim, na pastas `guidelines/` do projeto no Github, é possível encontrar diferentes arquivos `.ipynb` contendo:
+
+- `insights_guideline.ipynb`: aplicação do módulo _insights.py_ para a construção de plotagens gráficos dentro de um processo de exploração de uma base de dados em caráter investigativo, analisando os dados e propondo insights para possíveis problemas de negócio.
+- `transformers_guideline.ipynb`: em complemento ao módulo _insights.py_, o módulo _transformers.py_ atua na continuação na cadeia de desenvolvimento de uma solução completa em ciência de dados. Neste notebook explicativo, o objetivo é construir um pipeline completo de transformação de uma base de dados lida.
+- `trainer_guideline.ipynb`: por fim, finalizando o desenvolvimento da solução, o notebook explicativo para o módulo _trainer.py_ atua de modo a evidenciar um exemplo prático de treinamento e avaliação de um modelo preditivo em uma base já preparada a partir de um pipeline construído previamente com as ferramentas do módulo _transformers.py_
+
+
+## Referências
+
+Géron A., ed. (2017) Hands-On Machine Learning with Scikit-Learn & TensorFlow. 1st ed. California: O'Reilly
+
+Géron A., handson-ml, (2020), GitHub repository, https://github.com/ageron/handson-ml  	
+
+Stanford University (Producer). (2019). Machine Learning. Retrieved from https://www.coursera.org/learn/machine-learning/home/welcome
+
+
+
+
+%package help
+Summary:	Development documents and examples for pycomp
+Provides:	python3-pycomp-doc
+%description help
+<h1 align="center">
+  <a href="https://pypi.org/project/pycomp/#description"><img src="https://i.imgur.com/WcAaq1P.png" alt="pycomp Logo"></a>
+</h1>
+
+<div align="center">
+  <strong>Fábrica de componentes Python</strong>
+</div>
+<br/>
+
+<div align="center">
+
+![Release](https://img.shields.io/badge/release-ok-brightgreen)
+[![PyPI](https://img.shields.io/pypi/v/pycomp?color=blueviolet)](https://pypi.org/project/pycomp/)
+![PyPI - Downloads](https://img.shields.io/pypi/dm/pycomp?color=9cf)
+![PyPI - Python Version](https://img.shields.io/pypi/pyversions/pycomp?color=green)
+![PyPI - Status](https://img.shields.io/pypi/status/pycomp)
+
+</div>
+<br/>
+
+Literalmente, uma fábrica de componentes em Python criada para auxiliar implementações, automações e até treinamento de modelos de Machine Learning! O objetivo desse pacote é propor uma forma mais fácil de se trabalhar com Python a partir do fornecimento de componentes prontos (funções e classes) para uma série de atividades rotineiras e exploratórias.
+
+## Features
+
+- :file_folder: __fs__: módulo responsável por auxiliar o manuseio de arquivos em sistemas operacionais. Em seu conteúdo, é possível encontrar funções úteis para a cópia de arquivos de um diretório origem para um diretório destino, além de funções utilizadas para a validação de presença e atualização de arquivos, entre outras.
+
+- :pencil: __log__: módulo com o objetivo de facilitar a geração, configuração e o armazenamento de logs de execução dos demais módulos do pacote.
+
+- :robot: __ml__: provavelmente o mais completo do pacote, o módulo ml (machine learning) contém componentes apropriados para a construção e aplicação de pipelines de pré-processamento de dados, além de blocos de código responsáveis por automatizar o treinamento e avaliação de modelos de aprendizado de máquina. 
+
+- :bar_chart: __viz__: módulo responsável por propor componentes prontos para geração e customização de gráficos utilizando as bibliotecas matplotlib e seaborn. As funções contidas neste módulo trazem códigos consolidados para geração de insights em bases de dados a partir de análises gráficas personalizadas. 
+
+A fábrica está a todo vapor! Com mais de 2 mil linhas de código, sua capacidade de produção e seu leque de fornecimento pode ser resumido em:
+
+| Tópico                     | Módulo                   | Funções           | Classes         | Componentes Totais  |Linhas de Código |
+| -------------------------- | :---------------:        | :---------------: | :-------------: | :-----------------: | :-------------: |
+| File System                | `pycomp.fs.arquivos`     |         4         |        0        |        4            |      ~300       |
+| Logs                       | `pycomp.log.log_config`  |         1         |        0        |        1            |       ~70       |
+| Machine Learning           | `pycomp.ml.transformers` |         0         |        9        |        9            |      ~400       |
+|                            | `pycomp.ml.trainer`      |        25         |        1        |       26            |     ~1500       |
+| Viz                        | `pycomp.viz.formatador`  |         2         |        1        |        3            |      ~100       |
+|                            | `pycomp.viz.insights`    |         5         |        0        |        5            |      ~700       |
+
+
+## Instalação
+
+A última versão do pacote `pycomp` encontra-se publicada no repositório [PyPI](https://pypi.org/project/pycomp/). 
+
+> **Nota**: Como boa prática, recomenda-se a criação de um ambiente virual env Python para alocar as bibliotecas do projeto a ser desenvolvido. Caso não tenha um virtual env criado, o bloco de código abaixo pode ser utilizado para a criação de ambiente virtual em um diretório específico: 
+```bash
+# Criando diretório para o virtual env
+$ mkdir ~/<nome diretorio> # ou qualquer outro caminho
+$ cd ~/<nome diretorio>
+
+# Criando ambiente virtual
+$ python3 -m venv <nome venv>
+```
+
+Utilizando uma ferramenta de desenvolvimento (IDE ou a própria linha de comando), ative o ambiente virtual de trabalho:
+```bash
+$ source ~/<nome diretorio>/<nome venv>/bin/activate
+```
+
+Após a ativação, é possível instalar o pacote `pycomp` via pip:
+```bash
+# Atualizando pip e instalando pycomp
+$ pip install pycomp --upgrade
+```
+
+> **Nota**: o pacote `pycomp` é construído como uma ferramenta de top level em cima de outros pacotes conhecidos em Python, como sklearn, pandas e numpy. Ao instalar o `pycomp`, as dependências especificadas também serão instaladas automaticamente em seu ambiente virtual de trabalho.
+
+Resumo do output esperado no cmd após a instalação do pacote::
+```
+Collecting pycomp
+[...]
+Installing collected packages: numpy, pytz, six, python-dateutil, pandas, joblib, scipy, threadpoolctl, scikit-learn, tqdm, slicer, llvmlite, numba, shap, pyparsing, cycler, certifi, kiwisolver, pillow, matplotlib, seaborn, pycomp
+  Running setup.py install for numba ... done
+  Running setup.py install for shap ... done
+Successfully installed certifi-2020.11.8 cycler-0.10.0 joblib-0.17.0 kiwisolver-1.3.1 llvmlite-0.34.0 matplotlib-3.3.2 numba-0.51.2 numpy-1.19.3 pandas-1.1.3 pillow-8.0.1 pycomp-0.0.15 pyparsing-2.4.7 python-dateutil-2.8.1 pytz-2020.4 scikit-learn-0.23.2 scipy-1.5.4 seaborn-0.11.0 shap-0.37.0 six-1.15.0 slicer-0.0.3 threadpoolctl-2.1.0 tqdm-4.51.0
+```
+
+## Utilização
+Para demonstrar uma poderosa aplicação do pacote `pycomp`, será exemplificado abaixo um trecho de código que, em poucas linhas, é responsável por:
+  - Consolidar um Pipeline completo de DataPrep utilizando classes _transformadoras_ já preparadas
+  - Treinar e avaliar diferentes modelos de classificação (_LogisticRegression, DecisionTreeClassifier_ e _RandomForestClassifier_)
+  - Utilização de _RandomizedSearchCV_ para buscar os melhores hyperparâmetros para cada modelo
+  - Registrar os resultados obtidos (dados e gráficos) em um diretório de output
+  - Retornar um modelo específico para passos futuros
+
+Como insumo, será utilizado o dataset [Titanic](https://www.kaggle.com/c/titanic) obtido a partir da união dos arquivos `train.csv` e `test.csv`, gerando assim o input `titanic.csv` contido no script.
+
+```python
+# Importando bibliotecas
+import pandas as pd
+import numpy as np
+from sklearn.pipeline import Pipeline
+from sklearn.compose import ColumnTransformer
+from sklearn.linear_model import LogisticRegression
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.ensemble import RandomForestClassifier
+from warnings import filterwarnings
+filterwarnings('ignore')
+
+from pycomp.ml.transformers import FormataColunas, FiltraColunas, DefineTarget, EliminaDuplicatas, PreencheDadosNulos, SplitDados
+from pycomp.ml.trainer import ClassificadorBinario
+
+# Lendo base de dados (titanic data - train + test)
+df = pd.read_csv('titanic.csv')
+cols_filter = ['survived', 'pclass', 'age', 'sibsp', 'fare']
+
+# Pipeline da primeira camada
+first_layer_pipe = Pipeline([
+    ('formatter', FormataColunas()),
+    ('selector', FiltraColunas(features=cols_filter)),
+    ('target_generator', DefineTarget(target_col='survived', pos_class=1.0)),
+    ('dup_dropper', EliminaDuplicatas()),
+    ('na_filler', PreencheDadosNulos(value_fill=0)),
+    ('splitter', SplitDados(target='target'))
+])
+
+# Executando pipeline
+X_train, X_test, y_train, y_test = first_layer_pipe.fit_transform(df)
+features = list(X_train.columns)
+
+# Preparando classificadores
+tree_clf = DecisionTreeClassifier()
+log_reg = LogisticRegression()
+forest_clf = RandomForestClassifier()
+
+# Logistic Regression hyperparameters
+logreg_param_grid = {
+    'C': np.linspace(0.1, 10, 20),
+    'penalty': ['l1', 'l2'],
+    'class_weight': ['balanced', None],
+    'random_state': [42],
+    'solver': ['liblinear']
+}
+
+# Decision Trees hyperparameters
+tree_param_grid = {
+    'criterion': ['entropy', 'gini'],
+    'max_depth': [3, 5, 10, 20],
+    'max_features': np.arange(1, X_train.shape[1]),
+    'class_weight': ['balanced', None],
+    'random_state': [42]
+}
+
+# Random Forest hyperparameters
+forest_param_grid = {
+    'bootstrap': [True, False],
+    'max_depth': [3, 5, 10, 20, 50],
+    'n_estimators': [50, 100, 200, 500],
+    'random_state': [42],
+    'max_features': ['auto', 'sqrt'],
+    'class_weight': ['balanced', None]
+}
+
+# Configurando classificadores
+set_classifiers = {
+    'LogisticRegression': {
+        'model': log_reg,
+        'params': logreg_param_grid
+    },
+    'DecisionTree': {
+        'model': tree_clf,
+        'params': tree_param_grid
+    },
+    'RandomForest': {
+        'model': forest_clf,
+        'params': forest_param_grid
+    }
+}
+
+# Definindo variáveis de execução
+OUTPUT_PATH = 'output/'
+
+# Inicializando objeto
+trainer = ClassificadorBinario()
+
+# Fluxo de treino
+trainer.training_flow(set_classifiers, X_train, y_train, X_test, y_test, features, output_path=OUTPUT_PATH, random_search=True)
+
+# Análise gŕafica
+trainer.visual_analysis(features=features, model_shap='DecisionTree', output_path=OUTPUT_PATH)
+
+# Retornando informações relevantes de um modelo específico
+model = trainer._get_estimator(model_name='RandomForest')
+metrics = trainer._get_metrics(model_name='RandomForest')
+model_info = trainer._get_model_info(model_name='RandomForest')
+classifiers_info = trainer._get_classifiers_info()
+```
+
+Ao utilizar as ferramentas disponibilizadas no módulo `ml` do pacote `pycomp`, o usuário consegue facilmente construir e executar um Pipeline de preparação de dados enxuto e otimizado a partir das classes pré definidas no módulo `transformers`. Em complemento a essa feature, o módulo `trainer` traz consigo a classe `ClassificadorBinario` com o objetivo de facilitar o treinamento e avaliação de classificadores binários. O usuário final necessita apenas fornecer uma base de dados como input, os _estimators_ (modelos a serem treinados) e seus respectivos hyperparâmetros de busca a serem utilizados no processo. 
+
+### Outputs
+Ao realizar a importação do pacote `pycomp` no script, um objeto logger da biblioteca `logging` é instanciado automaticamente, gerando assim um arquivo `exec_log/execution_log.log` no mesmo diretório de execução do script com os detalhes de cada passo dado nas funções e métodos aplicados. A cada execução do exemplo acima, espera-se que as seguintes mensagens sejam registradas no arquivo de log apresentadas no cmd:
+
+```
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;224;Treinando modelo LogisticRegression
+DEBUG;2020-11-15 09:25:05;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    1.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo LogisticRegression treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo DecisionTree
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;236;Aplicando RandomizedSearchCV
+[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
+[Parallel(n_jobs=-1)]: Done  50 out of  50 | elapsed:    0.2s finished
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;248;Salvando arquivo pkl do modelo DecisionTree treinado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;132;Salvando modelo pkl no diretório especificado
+DEBUG;2020-11-15 09:25:06;trainer.py;trainer;224;Treinando modelo RandomForest
+[...]
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;1145;Plotando curvas de aprendizado de treino e validação para o modelo RandomForest
+DEBUG;2020-11-15 09:26:36;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:37;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/learning_curve.png
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1187;Explicando o modelo DecisionTree através da análise shap
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1195;Retornando parâmetros da classe para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:37;trainer.py;trainer;1205;Criando explainer e gerando valores shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1218;Plotando análise shap para o modelo DecisionTree
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;172;Salvando imagem no diretório especificado
+INFO;2020-11-15 09:26:38;trainer.py;trainer;176;Imagem salva com sucesso em output/imgs/shap_analysis_DecisionTree.png
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1305;Retornando estimator do modelo RandomForest já treinado
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1326;Retornando as métricas dos modelos treinados
+DEBUG;2020-11-15 09:26:38;trainer.py;trainer;1366;Retornando informações registradas do modelo RandomForest
+```
+
+Ao definir um diretório de saída, as execuções dos métodos `training_flow()` e `visual_analysis()` da classe `ClassificadorBinario` irão gerar arquivos úteis para uma definitiva avaliação do melhor classificador para a respectiva tarefa. No código utilizado como exemplo, a variável `OUTPUT_PATH` recebe a string `'output/'` e, por consequência, gera os seguintes arquivos ao final da execução:
+
+```bash
+$ tree output/
+output/
+├── imgs
+│   ├── confusion_matrix.png
+│   ├── feature_importance.png
+│   ├── learning_curve.png
+│   ├── metrics_comparison.png
+│   ├── roc_curve.png
+│   ├── score_bins_percent.png
+│   ├── score_bins.png
+│   ├── score_distribution.png
+│   └── shap_analysis_DecisionTree.png
+├── metrics
+│   ├── metrics.csv
+│   └── top_features.csv
+└── models
+    ├── decisiontree.pkl
+    ├── logisticregression.pkl
+    └── randomforest.pkl
+```
+
+## Próximos Passos
+- [x] Consolidar função `visual_analysis()` para gerar todas as análises acima (`trainer.py`)
+- [x] Consturção de funções para análise categórica em processo de EDA (`insights.py`)
+- [x] Criação de guideline para utilização do módulo `transformers.py`
+- [x] Criação de guideline para utilização do módulo `trainer.py`
+- [x] Criação de guideline para utilização do módulo `insights.py`
+- [ ] Brainstorming para pipelines automáticos de prep + treino (`transformers.py + trainer.py`)
+- [ ] Inserir GIF de demonstração do projeto
+- [ ] Finalização do módulo insights para plotagens gráficas e aplicação de EDA em bases de dados (`insights.py`)
+
+
+## Guidelines
+De modo a propor uma maior democratização do pacote `pycomp`, foram construídos alguns "notebooks-guidelines" em espécies de demonstração das principais aplicações dos módulos `pycomp` em situações prática de uso. Assim, na pastas `guidelines/` do projeto no Github, é possível encontrar diferentes arquivos `.ipynb` contendo:
+
+- `insights_guideline.ipynb`: aplicação do módulo _insights.py_ para a construção de plotagens gráficos dentro de um processo de exploração de uma base de dados em caráter investigativo, analisando os dados e propondo insights para possíveis problemas de negócio.
+- `transformers_guideline.ipynb`: em complemento ao módulo _insights.py_, o módulo _transformers.py_ atua na continuação na cadeia de desenvolvimento de uma solução completa em ciência de dados. Neste notebook explicativo, o objetivo é construir um pipeline completo de transformação de uma base de dados lida.
+- `trainer_guideline.ipynb`: por fim, finalizando o desenvolvimento da solução, o notebook explicativo para o módulo _trainer.py_ atua de modo a evidenciar um exemplo prático de treinamento e avaliação de um modelo preditivo em uma base já preparada a partir de um pipeline construído previamente com as ferramentas do módulo _transformers.py_
+
+
+## Referências
+
+Géron A., ed. (2017) Hands-On Machine Learning with Scikit-Learn & TensorFlow. 1st ed. California: O'Reilly
+
+Géron A., handson-ml, (2020), GitHub repository, https://github.com/ageron/handson-ml  	
+
+Stanford University (Producer). (2019). Machine Learning. Retrieved from https://www.coursera.org/learn/machine-learning/home/welcome
+
+
+
+
+%prep
+%autosetup -n pycomp-0.3.3
+
+%build
+%py3_build
+
+%install
+%py3_install
+install -d -m755 %{buildroot}/%{_pkgdocdir}
+if [ -d doc ]; then cp -arf doc %{buildroot}/%{_pkgdocdir}; fi
+if [ -d docs ]; then cp -arf docs %{buildroot}/%{_pkgdocdir}; fi
+if [ -d example ]; then cp -arf example %{buildroot}/%{_pkgdocdir}; fi
+if [ -d examples ]; then cp -arf examples %{buildroot}/%{_pkgdocdir}; fi
+pushd %{buildroot}
+if [ -d usr/lib ]; then
+	find usr/lib -type f -printf "/%h/%f\n" >> filelist.lst
+fi
+if [ -d usr/lib64 ]; then
+	find usr/lib64 -type f -printf "/%h/%f\n" >> filelist.lst
+fi
+if [ -d usr/bin ]; then
+	find usr/bin -type f -printf "/%h/%f\n" >> filelist.lst
+fi
+if [ -d usr/sbin ]; then
+	find usr/sbin -type f -printf "/%h/%f\n" >> filelist.lst
+fi
+touch doclist.lst
+if [ -d usr/share/man ]; then
+	find usr/share/man -type f -printf "/%h/%f.gz\n" >> doclist.lst
+fi
+popd
+mv %{buildroot}/filelist.lst .
+mv %{buildroot}/doclist.lst .
+
+%files -n python3-pycomp -f filelist.lst
+%dir %{python3_sitelib}/*
+
+%files help -f doclist.lst
+%{_docdir}/*
+
+%changelog
+* Wed May 17 2023 Python_Bot <Python_Bot@openeuler.org> - 0.3.3-1
+- Package Spec generated
diff --git a/sources b/sources
new file mode 100644
index 0000000..1277043
--- /dev/null
+++ b/sources
@@ -0,0 +1 @@
+3f619a9d55e9701c4a02f5f386d06d4f  pycomp-0.3.3.tar.gz