Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Oliveira, Luiz Eduardo Soares de, 1971- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
Autor(es): dc.creator | Lopes, Douglas Branco Pessanha | - |
Data de aceite: dc.date.accessioned | 2025-09-01T12:14:09Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T12:14:09Z | - |
Data de envio: dc.date.issued | 2024-12-02 | - |
Data de envio: dc.date.issued | 2024-12-02 | - |
Data de envio: dc.date.issued | 2023 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/93467 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/93467 | - |
Descrição: dc.description | Orientador: Prof. Luis Eduardo Soares de Oliveira | - |
Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: Este estudo tem como objetivo analisar e prever o número de homicídios no Brasil utilizando modelos de aprendizado de máquina, além de interpretar os resultados através do framework SHAP(SHapley Additive exPlanations). Utilizamos dados sobre homicídios e indicadores socioeconômicos extraídos do Atlas da Violência, IPEA, IBGE e BancoMundial, abrangendo o período de 1992 a 2021. Inicialmente, realizamos uma análise descritiva dos dados, identificando padrões e tendências ao longo dos anos. Observamos um aumento significativo nos homicídios, com variações nas taxas de pobreza, desemprego, IDH médio, entre outros indicadores. Emseguida, aplicamos modelos de aprendizado de máquina, incluindo Random Forest, Support Vector Regression (SVR) e Gradient Boosting, para prever o número de homicídios. O Gradient Boosting apresentou o melhor desempenho, com menores valores de RMSE e MAE. Para interpretar os modelos, utilizamos o framework SHAP, que identificou a taxa de pobreza, taxa de suicídios, IDH médio e taxa de óbitos no transporte como os atributos mais importantes. Surpreendentemente, a análise revelou uma correlação negativa entre a taxa de pobreza e o número de homicídios, sugerindo a necessidade de uma análise mais aprofundada e multidisciplinar. | - |
Descrição: dc.description | Abstract: This study aims to analyze and predict the number of homicides in Brazil using machine learning models, and to interpret the results through the SHAP (SHapley Additive exPlanations)framework.We utilized data on homicides and socioeconomic indicators extracted from the Atlas of Violence, IPEA, IBGE, and theWorld Bank, covering the period from 1992 to 2021. Initially, we performed a descriptive analysis of the data, identifying patterns and trends over the years.We observed a significant increase in homicides, with variations in poverty rates, unemployment, average HDI, among other indicators. Subsequently,we applied machine learning models, including Random Forest, Support Vector Regression (SVR), and Gradient Boosting, to predict the number of homicides. Gradient Boosting showed the best performance, with lower RMSE and MAE values. To interpret the models, we used the SHAP framework, which identified poverty rate, suicide rate, average HDI, and transportation death rate as the most important attributes. Surprisingly, the analysis revealed a negative correlation between the poverty rate and the number of homicides, suggesting the need for a deeper and multidisciplinary analysis. | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Framework (Programa de computador) | - |
Palavras-chave: dc.subject | Homicídio - Brasil | - |
Título: dc.title | Interpretação de modelo de previsão do número de homicídios no Brasil | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: