Percorrer por data de Publicação, começado por "2021-05-16"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Inteligência artificial aplicada à avaliação de crédito bancárioPublication . Santos, João Artur Vieira; Baras, Karolina; Camacho, PedroA avaliação de crédito é uma ferramenta financeira, importante, para bancos e instituições finan ceiras determinarem se devem emitir o empréstimo para potenciais mutuários. A utilização de inteligência artificial levou a um melhor desempenho dos modelos de avaliação de crédito. Várias técnicas de machine learning baseadas em estatísticas foram empregues para esta tarefa, sendo que a regressão logística é o padrão da indústria na modelação de risco de crédito. Porém, estu dos demonstram que algoritmos de ensemble, que principalmente podem ser divididos em bagging ensembles e boosting ensembles, têm se mostrado muito promissores. Esta tese tem como objetivo comparar diversos tipos de modelos de machine learning de forma a determinar quais oferecem o melhor desempenho para a classificação de crédito bancário. Para tal, este estudo irá realizar comparações com diversos tipos de modelos de classificação, desde os modelos tradicionais, como Logistic regression (LR), Linear discriminant analysis (LDA) e Artificial neural network (ANN), a modelos mais recentes como ensemble homogéneos, tais como AdaBoost, Gradient-Boosted Decision Trees (GBDT), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) e CatBoost, até modelos mais experimentais como o caso de modelos ensemble heterogéneos. A contribuição final desta tese será fornecer informação de que modelos de machine learning atualmente mais se adequam a avaliação de crédito bancário, com intuito de substituir os métodos tradicionais.