Uso de machine learning para a classificação do crédito de empresas por meio de demonstrativos financeiros
| dc.contributor.advisor | Mergen, Sergio Luis Sardi | |
| dc.creator | Fuhr, Gabriel Tobias | |
| dc.date.accessioned | 2022-05-31T20:43:41Z | |
| dc.date.available | 2022-05-31T20:43:41Z | |
| dc.date.issued | 2022-02-10 | |
| dc.date.submitted | 2022 | |
| dc.identifier.uri | http://repositorio.ufsm.br/handle/1/24624 | |
| dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Ciência da Computação, RS, 2022. | por |
| dc.language | por | por |
| dc.publisher | Universidade Federal de Santa Maria | por |
| dc.rights | Acesso Aberto | por |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Aprendizado de máquina | por |
| dc.subject | Classificação de crédito | por |
| dc.subject | Aprendizado supervisionado | por |
| dc.subject | Software de código aberto | por |
| dc.subject | Dados abertos | por |
| dc.title | Uso de machine learning para a classificação do crédito de empresas por meio de demonstrativos financeiros | por |
| dc.type | Trabalho de Conclusão de Curso de Graduação | por |
| dc.degree.local | Santa Maria, RS, Brasil | por |
| dc.description.resumo | Um elemento importante para a economia é a chamada Classificação de Crédito, um conceito indicativo das condições de quitação de créditos concedidos. O processo de classificação é realizado por agências de classificação que usam métodos que não são completamente compreendidos/reproduzíveis, pois dependem de um expertise proprietário. Aumentar a transparência no processo de Classificação de Crédito ajudaria a explicar a razão de certas entidades conseguirem tomar crédito e outras não. Nesse sentido, o presente trabalho visa utilizar dados públicos para predição de Classificação de Crédito de empresas por meio de modelos de aprendizado de máquina. Os modelos utilizados foram: Árvore de Decisão, Floresta Aleatória, Gradient Boosting para Classificação de Crédito binária e multiclasse. Como resultados, obteve-se uma maior a acessibilidade a respeito da Classificação de Crédito e a obtenção de modelos de livre acesso que sejam autoexplicativos. O modelo com melhor desempenho, tanto para a classificação binária quanto para a multiclasse, foi o Gradient Boosting, que apresentou o melhor F1 score. Em suma, o presente trabalho mostrou que o uso de aprendizado de máquina para a Classificação de Crédito é uma proposta viável e informativa para esse processo, além de ser reproduzível. | por |
| dc.publisher.country | Brasil | por |
| dc.publisher.initials | UFSM | por |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
| dc.publisher.unidade | Centro de Tecnologia | por |
Arquivos deste item
Este item aparece na(s) seguinte(s) coleção(s)
-
TCC Ciência da Computação - Bacharelado [335]
Coleção de trabalhos de conclusão do Curso em Ciência da Computação - Bacharelado
Exceto quando indicado o contrário, a licença deste item é descrito como Acesso Aberto