PREDIÇÃO DE RISCO DE CRÉDITO COM APRENDIZADO DE MÁQUINA SUPERVISIONADO: UM ESTUDO DE CASO COM DADOS DESBALANCEADOS
Aprendizado Supervisionado; Métodos Ensemble; Classificação de Dados.
Este trabalho tem como objetivo avaliar a eficácia de diferentes técnicas de aprendizado de máquina na predição de risco de crédito. Serão explorados métodos como Regressão Logística, Árvores de Decisão, Bagging e Random Forest, com foco especial no desempenho em cenários de dados desbalanceados. A avaliação comparativa dos modelos será realizada por meio das métricas Acurácia Balanceada e AUC (Área Sob a Curva), proporcionando uma análise robusta do desempenho preditivo. Este estudo visa contribuir para a aplicação prática e aprofundada de
técnicas de aprendizado de máquina no contexto financeiro, com ênfase em soluções eficazes para o tratamento de dados desbalanceados.