Algoritmos de aprendizado de máquina no estudo da inadimplência em uma instituição financeira

Caetano, Tatiane Moreira

Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/41843

Full metadata record

DC Field	Value	Language
dc.creator	Caetano, Tatiane Moreira	-
dc.date.accessioned	2024-07-25T19:02:04Z	-
dc.date.available	2024-07-25T19:02:04Z	-
dc.date.issued	2024-04-26	-
dc.identifier.citation	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.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/41843	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Árvore de decisão	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Floresta aleatória	pt_BR
dc.subject	Inadimplência	pt_BR
dc.subject	Regressão logística	pt_BR
dc.title	Algoritmos de aprendizado de máquina no estudo da inadimplência em uma instituição financeira	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor1	Silva, José Waldemar da	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/3076056770753848	pt_BR
dc.contributor.referee1	Silva, Maria Imaculada	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/5214152217965576	pt_BR
dc.contributor.referee2	Miranda, Vânia de Fátima	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8593958950706880	pt_BR
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Estatística	pt_BR
dc.sizeorduration	50	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA	pt_BR
dc.orcid.putcode	164350452	-
Appears in Collections:	TCC - Estatística

Files in This Item:

File	Description	Size	Format
Projeto_TCC_TatianeMoreira.pdf		774.31 kB	Adobe PDF	View/Open

Show simple item record