Publicação: Algoritmos de aprendizado de máquina no estudo da inadimplência em uma instituição financeira
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A inadimplência é um desafio significativo para as instituições financeiras, impactando diretamente
na sua saúde financeira e operacional. Identificar clientes propensos à inadimplência, com precisão e
antecedência, pode contribuir para amenizar prejuízos ou para a maximização dos lucros. Os algoritmos de aprendizado supervisionado de máquina são úteis para a construção de modelos preditivos e
neste caso em especial para classificação. Este estudo propõe uma análise comparativa entre três algoritmos de aprendizado de máquina para previsão de inadimplência, sendo eles a regressão logística,
a árvore de decisão e a floresta aleatória aplicados aos dados originais, não normalizados e normalizados. Estas seis análises foram realizados com os dados não balanceados e balanceados pelas técnicas
de SMOTE e ADASYN. O balanceamento consiste na geração de dados sintéticos na(s) classe(s)
minoritárias, neste caso, na classe dos inadimplentes, para que o modelo possa ser bem treinado para
realizar predições também nestas classes. Portanto, foram realizadas dezoito análises diferentes. A
validação dos modelos é um ponto importante e consiste em aplicar o modelo treinado a uma parte
dos dados, não utilizados no treinamento, e avaliar a sua performance por meio de alguma métrica de
desempenho. Neste trabalho foram utilizadas as métricas acurácia, recall e F1-score. A metodologia,
por meio da linguagem de programação Python, foi aplicada a um conjunto de dados do banco Stone
composto por 7.081 clientes e 14 variáveis previsoras. Uma análise exploratória inicial foi realizada
e não foram detectadas inconsistências ou dados faltantes. Identificou-se também, graficamente, que
a distribuição das variáveis, em geral, são similares nas duas categorias, adimplentes e inadimplentes.
Os resultados obtidos a partir da aplicação dos algoritmos, num total de dezoito análises, revelam que
o melhor modelo foi obtido a partir do algoritmo floresta aleatória, nos casos com balanceamento,
independente do tipo. A normalização dos dados não produziu alterações importantes nas métricas e
portanto, para dados como estes considerados neste trabalho, bem como para os algoritmos utilizados,
a normalização não se faz necessária. Haja vista a similaridade do algoritmo árvore de decisão com o
algoritmo floresta aleatória, o primeiro pode ser indicado devido a sua simplicidade quando comparado ao segundo e, além disso, o algoritmo árvore de decisão demanda menor esforço computacional.
Abstract
Palavras-chave
Árvore de decisão, Aprendizado de máquina, Floresta aleatória, Inadimplência, Regressão logística
Citação
CAETANO, Tatiane Moreira. Algoritmos de aprendizado de máquina no estudo da inadimplência em uma instituição financeira. 2024. 50 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2024.