1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Uberlândia)
Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufu.br/handle/123456789/46157
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.creatorIzidoro, João Vitor Santos-
dc.date.accessioned2025-06-17T14:53:30Z-
dc.date.available2025-06-17T14:53:30Z-
dc.date.issued2025-05-14-
dc.identifier.citationIZIDORO, João Vitor Santos. Predição de resultados do campeonato brasileiro de futebol: Comparação de modelos e análise de decisões. 2025. 47 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/46157-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectAprendizado de máquinapt_BR
dc.subjectPrevisão de resultadospt_BR
dc.subjectFutebolpt_BR
dc.subjectAnálise de desempenhopt_BR
dc.titlePredição de resultados do campeonato brasileiro de futebol com aprendizado de máquinapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Miani, Rodrigo Sanches-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.contributor.referee1Travencolo, Bruno Augusto Nassif-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2590427557264952pt_BR
dc.contributor.referee2Silva, Renato Aparecido Pimentel da-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5178445891550640pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste trabalho propôs a construção de modelos preditivos para prever resultados em parti das de futebol, utilizando algoritmos de aprendizado de máquina em dois cenários distin tos: com e sem a possibilidade de empates. No cenário com empates, os modelos Logistic Regression e XGBoost apresentaram acurácia de 75%, sendo que o XGBoost também se destacou no F1-score. O LightGBM obteve o maior número de verdadeiros positivos para vitórias do time visitante, embora com elevado número de falsos positivos. A análise com SHAP possibilitou a identificação de variáveis determinantes, como odds e valores de mercado das equipes, que influenciam diretamente nas decisões dos modelos. Após a seleção das variáveis mais relevantes, observou-se leve aprimoramento no desempenho do LightGBM. No cenário sem empates, todas as métricas foram favorecidas: a Regressão Logística manteve-se como a mais precisa, o LightGBM apresentou o melhor F1-score e menor desvio padrão, e o XGBoost destacou-se pela identificação equilibrada das vitórias visitantes. Os resultados evidenciam que a formulação do problema impacta significati vamente o desempenho dos modelos e que a interpretação dos dados é fundamental para aprimorar a capacidade preditiva das abordagens utilizadas.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration47pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpt_BR
dc.orcid.putcode186203805-
Aparece en las colecciones:TCC - Sistemas de Informação (Uberlândia)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
PredicaoResultadosCampeonato.pdfTCC1.01 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons