Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
Resumo
Neste estudo, é explorada a importância da análise de risco de crédito no sistema
financeiro, destacando-se seus desafios e implicações econômicas. Diante da complexidade
dos dados desbalanceados e da dinâmica do cenário econômico, o trabalho tem como
objetivo empregar técnicas de Inteligência Artificial, como Redes Neurais Artificiais e modelos
de ensembles, para aprimorar a detecção de casos de riscos de crédito. Seguindo
os ideais do Cross Industry Standard Process for Data Mining, que por sua vez, ´e dividido
em cinco fases iterativas, foi iniciada a pesquisa com a compreensão do contexto do problema
e estabelecimento de objetivos claros. Em seguida, houve uma análise detalhada
dos conjuntos de dados de crédito para compreender a relevância de cada atributo. Após
o pré-processamento dos dados, incluindo limpeza e tratamento, foram então aplicadas
as técnicas de modelagem. Finalmente, os modelos foram avaliados com métricas como
acurácia, precisão e recall. Notavelmente, os modelos do tipo ensemble, especialmente o
Gradient Boosting e o XGBoost, estiveram com desempenho consiste em todas as três bases
de dados examinadas neste estudo. Ambos alcançaram uma notável acurácia de 94%, a
mais alta registrada nesta pesquisa, enfatizando assim, a escolha desses modelos para o
problema de identificação de casos de alto risco de crédito.
Os arquivos de licença a seguir estão associados a este item: