Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito

Detalhes bibliográficos
Ano de defesa: 2003
Autor(a) principal: Ohtoshi, Claudia
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Análise Multivariada
Link de acesso: https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-132841/
Resumo: Este trabalho tem como finalidade comparar quatro técnicas: Redes Neurais Artificiais, Árvore de Classificação Binária, Real Attribute Learning Algorithm (REAL) e Regressão Logística, aplicadas para definir um modelo de classificação que permita avaliar o risco do cliente de uma dada instituição financeira se tornar inadimplente. Para construção desses modelos foram utilizadas variáveis cadastrais e de utilização, ou seja, são modelos baseados não somente nas características do cliente, mas também no seu perfil de comportamento quanto à utilização de conta-corrente e cheque especial. Tais modelos têm sido utilizados por empresas que concedem crédito massificado, para classificar clientes quanto ao nível de risco e conceder novos créditos ou definir limites em função desse risco. Como resultado do estudo, foi observado que as Redes Neurais Artificiais e a Regressão Logística tiveram acerto superior às demais técnicas
id USP_e34267325c7b50d9f67a5f56c044eb9c
oai_identifier_str oai:teses.usp.br:tde-20210729-132841
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de créditonot availableAnálise MultivariadaEste trabalho tem como finalidade comparar quatro técnicas: Redes Neurais Artificiais, Árvore de Classificação Binária, Real Attribute Learning Algorithm (REAL) e Regressão Logística, aplicadas para definir um modelo de classificação que permita avaliar o risco do cliente de uma dada instituição financeira se tornar inadimplente. Para construção desses modelos foram utilizadas variáveis cadastrais e de utilização, ou seja, são modelos baseados não somente nas características do cliente, mas também no seu perfil de comportamento quanto à utilização de conta-corrente e cheque especial. Tais modelos têm sido utilizados por empresas que concedem crédito massificado, para classificar clientes quanto ao nível de risco e conceder novos créditos ou definir limites em função desse risco. Como resultado do estudo, foi observado que as Redes Neurais Artificiais e a Regressão Logística tiveram acerto superior às demais técnicasnot availableBiblioteca Digitais de Teses e Dissertações da USPBarroso, Lúcia PereiraOhtoshi, Claudia2003-04-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-132841/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-08-16T12:33:02Zoai:teses.usp.br:tde-20210729-132841Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-16T12:33:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
not available
title Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
spellingShingle Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
Ohtoshi, Claudia
Análise Multivariada
title_short Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
title_full Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
title_fullStr Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
title_full_unstemmed Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
title_sort Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito
author Ohtoshi, Claudia
author_facet Ohtoshi, Claudia
author_role author
dc.contributor.none.fl_str_mv Barroso, Lúcia Pereira
dc.contributor.author.fl_str_mv Ohtoshi, Claudia
dc.subject.por.fl_str_mv Análise Multivariada
topic Análise Multivariada
description Este trabalho tem como finalidade comparar quatro técnicas: Redes Neurais Artificiais, Árvore de Classificação Binária, Real Attribute Learning Algorithm (REAL) e Regressão Logística, aplicadas para definir um modelo de classificação que permita avaliar o risco do cliente de uma dada instituição financeira se tornar inadimplente. Para construção desses modelos foram utilizadas variáveis cadastrais e de utilização, ou seja, são modelos baseados não somente nas características do cliente, mas também no seu perfil de comportamento quanto à utilização de conta-corrente e cheque especial. Tais modelos têm sido utilizados por empresas que concedem crédito massificado, para classificar clientes quanto ao nível de risco e conceder novos créditos ou definir limites em função desse risco. Como resultado do estudo, foi observado que as Redes Neurais Artificiais e a Regressão Logística tiveram acerto superior às demais técnicas
publishDate 2003
dc.date.none.fl_str_mv 2003-04-17
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-132841/
url https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-132841/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1865492557898711040

Registros relacionados