Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | http://app.uff.br/riuff/handle/1/31746 |
Resumo: | A classificação de nações segundo a performance em indicadores socioeconômicos é de crucial importância para o entendimento das relações econômicas. Os outputs dos modelos de classificação podem auxiliar o direcionamento de políticas públicas e tomadas de decisões estratégicas. Atualmente, existem diversas bases de dados que trazem avaliações de países para conjuntos de indicadores socioeconômicos. Dentre os estudos, alguns autores revelam que o desenvolvimento econômico das nações está associado à sua capacidade de desenvolver e comercializar produtos mais complexos. Nesse contexto, o Laboratório de Crescimento da Universidade de Harvard fornece, através de sua ferramenta de pesquisa e visualização de dados, o Índice de Complexidade Econômica (ICE), que considera a malha produtiva dos países como um indicador-chave para mensurar sua complexidade econômica. Neste estudo, algoritmos de Aprendizado de Máquina baseados em árvores de decisão são aplicados para classificar 130 países em classes formuladas a partir dos resultados do ICE. Como atributos, utilizou-se uma abordagem abrangente e intuitiva, com uso de indicadores provenientes de outras fontes, como o Índice de Liberdade Econômica e o banco de dados do Banco Mundial, para prever a classe do país em relação ao ICE. Essa predição possibilitará uma abordagem preditiva para a complexidade econômica, proporcionando insights valiosos para a compreensão das relações entre os indicadores socioeconômicos e o desenvolvimento econômico das nações. Nesse contexto, este trabalho pode ser enquadrado como uma aplicação prática de procedimentos de Aprendizado de Máquina para a tarefa de classificação. Os algoritmos testados foram as Árvores de Classificação, Florestas Randômicas e Extra Trees. Dentre as análises realizadas, destaca-se o uso do procedimento Grid Seach. Acurácias superiores a 80% foram obtidas para os modelos de ensemble. |
id |
UFF-2_60aa6bbb911c57e17f4007e54c48f178 |
---|---|
oai_identifier_str |
oai:app.uff.br:1/31746 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicosIndicadores socioeconômicosClassificaçãoÁrvores de DecisãoIndicador sócio-econômicoÁrvore de decisãoClassificaçãoAprendizado de máquinaSocioeconomic IndicatorsClassificationDecision TreesA classificação de nações segundo a performance em indicadores socioeconômicos é de crucial importância para o entendimento das relações econômicas. Os outputs dos modelos de classificação podem auxiliar o direcionamento de políticas públicas e tomadas de decisões estratégicas. Atualmente, existem diversas bases de dados que trazem avaliações de países para conjuntos de indicadores socioeconômicos. Dentre os estudos, alguns autores revelam que o desenvolvimento econômico das nações está associado à sua capacidade de desenvolver e comercializar produtos mais complexos. Nesse contexto, o Laboratório de Crescimento da Universidade de Harvard fornece, através de sua ferramenta de pesquisa e visualização de dados, o Índice de Complexidade Econômica (ICE), que considera a malha produtiva dos países como um indicador-chave para mensurar sua complexidade econômica. Neste estudo, algoritmos de Aprendizado de Máquina baseados em árvores de decisão são aplicados para classificar 130 países em classes formuladas a partir dos resultados do ICE. Como atributos, utilizou-se uma abordagem abrangente e intuitiva, com uso de indicadores provenientes de outras fontes, como o Índice de Liberdade Econômica e o banco de dados do Banco Mundial, para prever a classe do país em relação ao ICE. Essa predição possibilitará uma abordagem preditiva para a complexidade econômica, proporcionando insights valiosos para a compreensão das relações entre os indicadores socioeconômicos e o desenvolvimento econômico das nações. Nesse contexto, este trabalho pode ser enquadrado como uma aplicação prática de procedimentos de Aprendizado de Máquina para a tarefa de classificação. Os algoritmos testados foram as Árvores de Classificação, Florestas Randômicas e Extra Trees. Dentre as análises realizadas, destaca-se o uso do procedimento Grid Seach. Acurácias superiores a 80% foram obtidas para os modelos de ensemble.The classification of nations based on performance in socioeconomic indicators is crucial for understanding economic relations. The outputs of classification models can assist in guiding public policies and strategic decision-making. Currently, there are several databases that provide assessments of countries for sets of socioeconomic indicators. Among studies, some authors reveal that the economic development of nations is associated with their ability to develop and market more complex products. In this context, the Growth Lab at Harvard University provides, through its data research and visualization tool, the Economic Complexity Index (ECI), considering a country's production network as a key indicator to measure its economic complexity. In this study, Machine Learning algorithms based on decision trees are applied to classify 130 countries into classes formulated from ECI results. As attributes, a comprehensive and intuitive approach was used, incorporating indicators from other sources such as the Index of Economic Freedom and the World Bank database to predict the country's class in relation to the ECI. This prediction enables a predictive approach to economic complexity, providing valuable insights into the relationship between socioeconomic indicators and the economic development of nations. In this context, this work can be framed as a practical application of Machine Learning procedures for the classification task. The algorithms tested were Decision Trees, Random Forests, and Extra Trees. Among the analyses performed, the use of the Grid Search procedure stands out. Accuracies exceeding 80% were obtained for the ensemble models.48 f.Silva, Diogo Ferreira de LimaRoboredo, Marcos CostaPereira, ValdecyCoutinho, Caio Mocny2023-12-29T20:05:49Z2023-12-29T20:05:49Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfCOUTINHO, Caio Mocny. Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos. 2023. 48 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Produção) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023.http://app.uff.br/riuff/handle/1/31746CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-12-29T20:05:53Zoai:app.uff.br:1/31746Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202023-12-29T20:05:53Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
title |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
spellingShingle |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos Coutinho, Caio Mocny Indicadores socioeconômicos Classificação Árvores de Decisão Indicador sócio-econômico Árvore de decisão Classificação Aprendizado de máquina Socioeconomic Indicators Classification Decision Trees |
title_short |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
title_full |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
title_fullStr |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
title_full_unstemmed |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
title_sort |
Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos |
author |
Coutinho, Caio Mocny |
author_facet |
Coutinho, Caio Mocny |
author_role |
author |
dc.contributor.none.fl_str_mv |
Silva, Diogo Ferreira de Lima Roboredo, Marcos Costa Pereira, Valdecy |
dc.contributor.author.fl_str_mv |
Coutinho, Caio Mocny |
dc.subject.por.fl_str_mv |
Indicadores socioeconômicos Classificação Árvores de Decisão Indicador sócio-econômico Árvore de decisão Classificação Aprendizado de máquina Socioeconomic Indicators Classification Decision Trees |
topic |
Indicadores socioeconômicos Classificação Árvores de Decisão Indicador sócio-econômico Árvore de decisão Classificação Aprendizado de máquina Socioeconomic Indicators Classification Decision Trees |
description |
A classificação de nações segundo a performance em indicadores socioeconômicos é de crucial importância para o entendimento das relações econômicas. Os outputs dos modelos de classificação podem auxiliar o direcionamento de políticas públicas e tomadas de decisões estratégicas. Atualmente, existem diversas bases de dados que trazem avaliações de países para conjuntos de indicadores socioeconômicos. Dentre os estudos, alguns autores revelam que o desenvolvimento econômico das nações está associado à sua capacidade de desenvolver e comercializar produtos mais complexos. Nesse contexto, o Laboratório de Crescimento da Universidade de Harvard fornece, através de sua ferramenta de pesquisa e visualização de dados, o Índice de Complexidade Econômica (ICE), que considera a malha produtiva dos países como um indicador-chave para mensurar sua complexidade econômica. Neste estudo, algoritmos de Aprendizado de Máquina baseados em árvores de decisão são aplicados para classificar 130 países em classes formuladas a partir dos resultados do ICE. Como atributos, utilizou-se uma abordagem abrangente e intuitiva, com uso de indicadores provenientes de outras fontes, como o Índice de Liberdade Econômica e o banco de dados do Banco Mundial, para prever a classe do país em relação ao ICE. Essa predição possibilitará uma abordagem preditiva para a complexidade econômica, proporcionando insights valiosos para a compreensão das relações entre os indicadores socioeconômicos e o desenvolvimento econômico das nações. Nesse contexto, este trabalho pode ser enquadrado como uma aplicação prática de procedimentos de Aprendizado de Máquina para a tarefa de classificação. Os algoritmos testados foram as Árvores de Classificação, Florestas Randômicas e Extra Trees. Dentre as análises realizadas, destaca-se o uso do procedimento Grid Seach. Acurácias superiores a 80% foram obtidas para os modelos de ensemble. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-12-29T20:05:49Z 2023-12-29T20:05:49Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
COUTINHO, Caio Mocny. Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos. 2023. 48 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Produção) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023. http://app.uff.br/riuff/handle/1/31746 |
identifier_str_mv |
COUTINHO, Caio Mocny. Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos. 2023. 48 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Produção) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023. |
url |
http://app.uff.br/riuff/handle/1/31746 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1807838741538013184 |