Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos

• Autor(a) principal: Coutinho, Caio Mocny
• 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
• topic: Indicadores socioeconômicos; Classificação; Árvores de Decisão; Indicador sócio-econômico; Árvore de decisão; Classificação; Aprendizado de máquina; Socioeconomic Indicators; Classification; Decision Trees

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.