Aplicação de machine learning para previsão de inadimplência
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/267956 |
Resumo: | O presente trabalho aplica algoritmos de machine learning para prever a inadimplência de clientes de uma empresa brasileira do setor de varejo e identificar quais são as principais variáveis relacionadas à inadimplência. Foi comparado o desempenho dos algoritmos K-Nearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além das técnicas de balanceamento de classes SMOTE e IHT. Além disso, foram utilizadas técnicas de seleção de variáveis e validação cruzada. Todo o trabalho foi desenvolvido utilizando a linguagem de programação Python. A partir da medição e análise de diversas métricas de desempenho, a combinação que gerou as melhores previsões foi o algoritmo Random Forest com a técnica de balanceamento de classes SMOTE. |
id |
UFRGS-2_67ec0b4c1a22632c4a32b66c9c3d9bc2 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/267956 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Lima, Vinicius Sfredo SokalFogliatto, Flavio Sanson2023-12-02T03:25:29Z2023http://hdl.handle.net/10183/267956001188763O presente trabalho aplica algoritmos de machine learning para prever a inadimplência de clientes de uma empresa brasileira do setor de varejo e identificar quais são as principais variáveis relacionadas à inadimplência. Foi comparado o desempenho dos algoritmos K-Nearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além das técnicas de balanceamento de classes SMOTE e IHT. Além disso, foram utilizadas técnicas de seleção de variáveis e validação cruzada. Todo o trabalho foi desenvolvido utilizando a linguagem de programação Python. A partir da medição e análise de diversas métricas de desempenho, a combinação que gerou as melhores previsões foi o algoritmo Random Forest com a técnica de balanceamento de classes SMOTE.application/pdfporInadimplênciaAprendizado de máquinaAplicação de machine learning para previsão de inadimplênciainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2023Engenharia de Produçãograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001188763.pdf.txt001188763.pdf.txtExtracted Texttext/plain62422http://www.lume.ufrgs.br/bitstream/10183/267956/2/001188763.pdf.txt9e887683eb20b1267beaa2ba800b8d92MD52ORIGINAL001188763.pdfTexto completoapplication/pdf519880http://www.lume.ufrgs.br/bitstream/10183/267956/1/001188763.pdf3908b405b0393c0360fca0a2735fd377MD5110183/2679562023-12-03 04:25:58.863109oai:www.lume.ufrgs.br:10183/267956Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-12-03T06:25:58Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de machine learning para previsão de inadimplência |
title |
Aplicação de machine learning para previsão de inadimplência |
spellingShingle |
Aplicação de machine learning para previsão de inadimplência Lima, Vinicius Sfredo Sokal Inadimplência Aprendizado de máquina |
title_short |
Aplicação de machine learning para previsão de inadimplência |
title_full |
Aplicação de machine learning para previsão de inadimplência |
title_fullStr |
Aplicação de machine learning para previsão de inadimplência |
title_full_unstemmed |
Aplicação de machine learning para previsão de inadimplência |
title_sort |
Aplicação de machine learning para previsão de inadimplência |
author |
Lima, Vinicius Sfredo Sokal |
author_facet |
Lima, Vinicius Sfredo Sokal |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lima, Vinicius Sfredo Sokal |
dc.contributor.advisor1.fl_str_mv |
Fogliatto, Flavio Sanson |
contributor_str_mv |
Fogliatto, Flavio Sanson |
dc.subject.por.fl_str_mv |
Inadimplência Aprendizado de máquina |
topic |
Inadimplência Aprendizado de máquina |
description |
O presente trabalho aplica algoritmos de machine learning para prever a inadimplência de clientes de uma empresa brasileira do setor de varejo e identificar quais são as principais variáveis relacionadas à inadimplência. Foi comparado o desempenho dos algoritmos K-Nearest Neighbors, Random Forest, Symbolic Regression e Support Vector Machine, além das técnicas de balanceamento de classes SMOTE e IHT. Além disso, foram utilizadas técnicas de seleção de variáveis e validação cruzada. Todo o trabalho foi desenvolvido utilizando a linguagem de programação Python. A partir da medição e análise de diversas métricas de desempenho, a combinação que gerou as melhores previsões foi o algoritmo Random Forest com a técnica de balanceamento de classes SMOTE. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-12-02T03:25:29Z |
dc.date.issued.fl_str_mv |
2023 |
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 |
http://hdl.handle.net/10183/267956 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001188763 |
url |
http://hdl.handle.net/10183/267956 |
identifier_str_mv |
001188763 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/267956/2/001188763.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/267956/1/001188763.pdf |
bitstream.checksum.fl_str_mv |
9e887683eb20b1267beaa2ba800b8d92 3908b405b0393c0360fca0a2735fd377 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224671592448000 |