Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40284| Título: | Modelos de machine learning aplicados a dados de churn bancario |
| Título(s) alternativo(s): | Machine learning models applied to banking churn data |
| Autor(es): | Koeller, Andreza Jardelino |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Aprendizado do computador Análise de regressão Instituições financeiras Machine learning Regression analysis Financial institutions |
| Data do documento: | 9-Jan-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | KOELLER, Andreza Jardelino. Modelos de machine learning aplicados a dados de churn bancário. 2024. Monografia (Especialização em Ciência de Dados) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2024. |
| Resumo: | Neste trabalho foi explorada a aplicação de algoritmos de machine learning em um dataset sintético que simula o fenômeno de churn, considerado como o encerramento da conta por parte do cliente, em uma instituição bancária. Foi realizado um processo de validação cruzada nos algoritmos de regressão logística e floresta aleatória, onde foi encontrado que esse último teve uma performance superior. Após isso, o modelo de floresta aleatória foi avaliado com relação ao conjunto de teste, obtendo-se revocação de 0,45, precisão de 0,77 e métrica F1 de 0,57. Enquanto esse é um resultado adequado, uma análise do ponto de vista de negócio revela que há potencial de melhorar a performance do modelo, através da redução da taxa de falsos negativos. |
| Abstract: | In this study, the application of machine learning algorithms was investigated using a synthetic dataset that simulates the churn phenomenon, defined as the closure of a customer’s account, in a banking institution. A cross-validation process was conducted on logistic regression and random forest algorithms, revealing that the latter demonstrated superior performance. Subsequently, the random forest model was evaluated on the test set, yielding recall of 0.45, precision of 0.77, and an F1 score of 0.57. While these results are deemed acceptable, a business-oriented analysis indicates potential for enhancing model performance by reducing the false negative rate. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40284 |
| Aparece nas coleções: | DV - Ciência de Dados |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| modelosmachinelearningbancario.pdf | 1,21 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
