Avaliação de crédito ao consumidor com redes neurais artificiais e árvore de decisão
| dc.contributor.advisor1 | Pretto, Fabrício | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8350477053371476 | pt_BR |
| dc.creator | Silva, Augusto Alves Da | |
| dc.date.accessioned | 2019-08-19T20:18:02Z | |
| dc.date.available | 2019-08-19T20:18:02Z | |
| dc.date.issued | 2019-06 | |
| dc.date.submitted | 2019-07-04 | |
| dc.description.abstract | O presente trabalho aborda a Inteligência Artificial aplicada sobre a análise de risco de concessão de crédito a consumidores do setor varejista, problema comum encontrado em instituições que trabalham com crediários. Tem como objetivo o desenvolvimento de uma aplicação Web API, que através de uma estrutura de Rede Neural Artificial e aprendizado de máquina (machine learning), seja capaz de prever se um tomador de crédito será um bom ou mal pagador no futuro, mediante um resultado de credit scoring. Junto a isto, também se vê presente o desenvolvimento de uma estrutura de Árvore de Decisão, utilizada para a comparação de resultados, objetivando a calibração e aprimoramento da Rede Neural. Os resultados obtidos mostraram que a Rede Neural e a Árvore de Decisão tiveram uma aproximação de acurácia entre elas. A Árvore de Decisão mostrou-se mais eficiente para dados já conhecidos, porém, menos eficaz em predições de dados desconhecidos. A Rede Neural teve seu desempenho constante, tanto para dados conhecidos como para desconhecidos. Através da Web API implementada, foi possível efetuar consultas de diferentes configurações de perfis de tomadores e avaliar a sua pontuação de crédito, executada pela Rede Neural treinada, obtendo resultados que se aproximaram do esperado para cada situação. | pt_BR |
| dc.description.abstract | This paper deals with the applied Artificial Intelligence on the analysis of credit risk to consumers in the retail sector, a common problem found in institutions that work with credit registries. It aims to develop a Web API application, which through an artificial neural network structure and machine learning, is able to predict if a borrower will be a good or bad payer in the future, through a result of credit scoring. In addition to this, we also see the development of a Decision Tree structure, used for the comparison of results, aiming at the calibration and improvement of the Neural Network. The results showed that the Neural Network and the Decision Tree had an accuracy approximation. The Decision Tree proved to be more efficient for data already known, but less effective in predicting unknown data. The Neural Network had its constant performance for both known and unknown data. Through the Web API implemented, it was possible to query different configurations of borrower profiles and to evaluate their credit score, executed by the trained Neural Network, obtaining results that approached the expected for each situation. | pt_BR |
| dc.identifier.citation | SILVA, Augusto Alves Da. Avaliação de crédito ao consumidor com redes neurais artificiais e árvore de decisão. 2019. Monografia (Graduação em Engenharia de Software) – Universidade do Vale do Taquari - Univates, Lajeado, 04 jul. 2019. Disponível em: http://hdl.handle.net/10737/2549. | pt_BR |
| dc.identifier.uri | http://hdl.handle.net/10737/2549 | |
| dc.language.iso | pt_BR | pt_BR |
| dc.rights | openAccess | pt_BR |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Risco de crédito | pt_BR |
| dc.subject | Redes Neurais Artificiais | pt_BR |
| dc.subject | Árvore de Decisão | pt_BR |
| dc.subject | Inteligência Artificial | pt_BR |
| dc.subject | Simulação de crédito | pt_BR |
| dc.subject | Credit risk | pt_BR |
| dc.subject | Artificial Neural Network | pt_BR |
| dc.subject | Decision Tree | pt_BR |
| dc.subject | Artificial Inteligence | pt_BR |
| dc.subject | Credit simulation | pt_BR |
| dc.subject.cnpq | ENG | pt_BR |
| dc.title | Avaliação de crédito ao consumidor com redes neurais artificiais e árvore de decisão | pt_BR |
| dc.type | bachelorThesis | pt_BR |