[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-117370-pt":3,"doc-seo-117370-112":30,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},117370,962084928904,"Asher","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",32,"Pesquisa e Relatórios","Machine Learning: Predizendo Risco de Crédito - Modelos de Classificação com R","A pesquisa utiliza técnicas de Machine Learning para construir modelos de classificação aplicados a dados de risco de crédito. O estudo implementa, no software R, metodologias como Regressão Logística, Bagging, Random Forest e Árvores de Decisão, combinando-as por meio de técnicas de ensemble para elevar a precisão das previsões. A avaliação comparativa considera acurácia e área sob a curva (AUC), visando aprofundar a compreensão e oferecer uma aplicação prática dessas abordagens no contexto financeiro.","Machine Learning: Predizendo Risco de Cr´edito  \nRafael Almeida Pereira Melo 1†, Paulo Henrique Sales Guimar˜aes2 , Marcel Irving Pereira Melo3  \n1 Mestrando em Estat´ıstica e Experimenta¸c˜ao Agropecu´aria, Departamento de Estat´ıstica, Universidade Federal de Lavras (UFLA)  \n2 Departamento de Estat´ıstica, Universidade Federal de Lavras (UFLA)  \n3 Egresso no curso de Estat´ıstica e Experimenta¸c˜ao Agropecu´aria, Departamento de Estat´ıstica, Universidade Federal de Lavras (UFLA)  \nResumo: O prop´osito deste artigo ´e empregar t´ecnicas de Machine Learning para desenvolver modelos de classifica¸c˜ao aplicados a dados de risco de cr´edito. Para atingir esse objetivo, utilizou-se o software R, implementando diversas metodologias, incluindo Regress˜ao Log´ıstica, Bagging, Random Forest e ´Arvores de Decis˜ao. Al´em disso, as t´ecnicas de ensemble foram aplicadas para combinar esses modelos, buscandomelhorar a precis˜ao das previs˜oes. A m´etrica escolhida para a avalia¸c˜ao comparativa dos modelos foia Acur´acia e A UC (´area abaixo da curva) . Este estudo busca explorar a efic´acia dessas abordagens em prever e classificar riscos de cr´edito, contribuindo para uma compreens˜ao mais aprofundada e uma aplica¸c˜ao pr´atica de t´ecnicas de aprendizado de m´aquina no contexto financeiro.  \nPalavras-chave: Aprendizado de M´aquina; Risco de cr´edito; Mercado Financeiro; Inadimplˆencia; Modelos de Classifica¸c˜ao.  \nMachine Learning: Predicting Credit Risk  \nAbstract: The purpose of this article is to employ Machine Learning techniques to develop classification models applied to credit risk data. To achieve this goal, the R software was utilized, implementing various methodologies, including Logistic Regression, Bagging, Random Forest, and Decision Trees. Additionally, ensemble techniques were applied to combine these models, aiming to improve the accuracy of the predictions. The metric chosen for the comparative evaluation of the models was Accuracy and A UC (area under the curve) . This study seeks to explore the effectiveness of these approaches in predicting and classifying credit risks, contributing to a deeper understanding and practical application of machine learning techniques in the financial context.  \nKeywords: Machine Learning; Credit Risk; Financial Market; Default; Classification Models.  \n†Autor correspondente: [ralmeidamelo23@gmail.com](ralmeidamelo23@gmail.com) Manuscrito recebido em: 07/06/2024  \nManuscrito revisado em: 01/10/2024  \nManuscrito aceito em: 03/10/2024  \nSigmae, Alfenas, v.13, n.4, p. 219-230. 2024.  \n68➟ Reuni˜ao Anual da Regi˜ao Brasileira da Sociedade Internacional de Biometria (RBras)  \nIntrodu¸c˜ao  \nEm um mundo no qual o cr´edito se tornou essencial para o desenvolvimento individual e empresarial, a previs˜ao precisa do risco de inadimplˆencia assume um papel crucial para aestabilidade do sistema financeiro. A pandemia de COVID-19 trouxe consigo um aumentosignificativo na inadimplˆencia. Esse cen´ario levou os bancos a adotarem uma postura maiscautelosa em rela¸c˜ao ao risco, resultando em restri¸c˜oes de liquidez (BENTO, 2023) . Diantedesse cen´ario desafiador, torna-se urgente a busca por ferramentas mais precisas e eficientes para prever o risco de cr´edito e garantir a sa´ude do sistema financeiro.  \nAs institui¸c˜oes financeiras se deparam com um enorme volume de dados heterogˆeneos, tornando a an´alise manual e a identifica¸c˜ao de padr˜oes complexos extremamente desafiadoras. Aprevis˜ao precisa do risco de cr´edito exige a considera¸c˜ao de uma multiplicidade de fatores interrelacionados, como hist´orico de cr´edito, renda, comportamento de pagamento e caracter´ısticas socioeconˆomicas. Os m´etodos tradicionais de an´alise de risco, muitas vezes baseados em regras r´ıgidas e modelos estat´ısticos simples, n˜ao se mostraram suficientemente eficazes para capturara complexa dinˆamica do risco de cr´edito no cen´ario atual.  \nUma abordagem adequada para fazer previs˜oes inclui os m´etodos conhe","cbCait1iHZOa0mJf","https://ap.wps.com/l/cbCait1iHZOa0mJf","pdf",520413,1,12,"Portuguese","pt",112,"# Introdução\n# Objetivos","[{\"question\":\"Qual é o objetivo principal do trabalho?\",\"answer\":\"Empregar técnicas de Machine Learning para desenvolver modelos de classificação voltados a dados de risco de crédito.\"},{\"question\":\"Quais métodos e modelos foram utilizados para as previsões?\",\"answer\":\"Foram implementadas Regressão Logística, Bagging, Random Forest e Árvores de Decisão no software R, com uso de técnicas de ensemble para combinar modelos.\"},{\"question\":\"Quais métricas foram usadas para avaliar e comparar os modelos?\",\"answer\":\"A comparação foi feita com base em acurácia e AUC (área abaixo da curva).\"}]","Machine Learning: Predizendo Risco de Crédito - Modelos de Classificação com R | PDF",1785675428,18,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"machine-learning-predicting-credit-risk-classification-models-with-r","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/machine-learning-predicting-credit-risk-classification-models-with-r/117370/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-14","2026-08-02",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo principal do trabalho?","Question",{"text":76,"@type":77},"Empregar técnicas de Machine Learning para desenvolver modelos de classificação voltados a dados de risco de crédito.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quais métodos e modelos foram utilizados para as previsões?",{"text":81,"@type":77},"Foram implementadas Regressão Logística, Bagging, Random Forest e Árvores de Decisão no software R, com uso de técnicas de ensemble para combinar modelos.",{"name":83,"@type":74,"acceptedAnswer":84},"Quais métricas foram usadas para avaliar e comparar os modelos?",{"text":85,"@type":77},"A comparação foi feita com base em acurácia e AUC (área abaixo da curva).","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":46,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":46,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":46,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]