Utilização de técnicas de classificação em conjunto de dados sobre inclusão financeira: um estudo baseado em países latino-americanos

• Autor(a) principal: Souza, Pâmela Rodrigues Venturini de
• Data de Publicação: 2022
• Outros Autores: Tomazi, Bruno Gigioli, Santos, Bruno Samways dos
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Brazilian Journal of Production Engineering
• Texto Completo: https://periodicos.ufes.br/bjpe/article/view/37019
• topic: Mineração de Dados; Classificação; Inclusão Financeira; América Latina; Data mining; Classification; Financial inclusion; Latin America; Classificación; Inclusión financiera; Procesamiento de datos; América Latina

A inclusão financeira é importante para reduzir a pobreza e proporcionar um crescimento econômico inclusivo, principalmente comparando grupos com grande desigualdade social. Este artigo utilizou a pesquisa Global Financial Inclusion (Global Findex) da World Bank Group para comparar técnicas de aprendizado de máquina na classificação de homens e mulheres quanto ao uso de serviços financeiros. Para isso, utilizou-se os classificadores Árvore de decisão, -vizinhos mais próximos, Naïve Bayes e Floresta randômica, e avaliadas as métricas de acurácia, precisão, sensibilidade, f1-score e área sob a curva Receiver Operating Characteristic (ROC). Verificou-se que todas as técnicas (exceto por Naïve Bayes) obtiveram uma acurácia próxima a 70%, sensibilidade próxima a 88% e precisão acima dos 72% na maioria dos parâmetros investigados. Quanto à área sob a curva ROC, a Floresta randômica atingiu 0,77, superando as outras técnicas nesta avaliação.