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 | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Lima, Rafael Henrique Palma | - |
Autor(es): dc.contributor | Bovo, Alessandro Botelho | - |
Autor(es): dc.creator | Tauil, Yasser Bulaty | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:29:32Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:29:32Z | - |
Data de envio: dc.date.issued | 2024-09-19 | - |
Data de envio: dc.date.issued | 2024-09-19 | - |
Data de envio: dc.date.issued | 2024-08-23 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/34848 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1114241 | - |
Descrição: dc.description | This study aims to develop machine learning models to classify the satisfaction of people in Latin America regarding their country's economy and analyze the factors that most influence this variable. Data mining is proposed as an innovative alternative to obtain more detailed and non-trivial information about population satisfaction. The study involves exploring and preprocessing survey data provided by the Latinobarómetro for the period between 2016 and 2020, totaling 80,816 respondents across approximately 400 questions. The selected classification models are Random Forest, Gradient Boosting Classifier, XGBoost, and Naïve Bayes. These models were evaluated using precision, recall, f1-score, and accuracy metrics. To achieve better results, the learning models were combined using ensemble methods: Hard Voting and Soft Voting, with the models reaching 86% and 85% accuracy, respectively. Finally, the ensemble models underwent an explanatory analysis using the Shapley Additive Explanations (SHAP) method. Considering the complexity of socioeconomic variables in Latin America, including historical issues and challenges, understanding the factors that influence the perception of the economy is crucial for guiding actions that improve living conditions. Furthermore, this study seeks to fill the existing gap in the application of data mining in the context of economic satisfaction, contributing to the advancement of this research area. | - |
Descrição: dc.description | Universidade Tecnológica Federal do Paraná (UTFPR) | - |
Descrição: dc.description | Este estudo tem como objetivo desenvolver modelos de aprendizado de máquina para classificar a satisfação de pessoas na América Latina em relação à economia de seus países e analisar os fatores que mais exercem influência na variável. A utilização da mineração de dados é proposta como uma alternativa inovadora para obter informações mais detalhadas e não triviais sobre a satisfação da população. O decorrer do trabalho relata exploração e pré-processamento de dados da pesquisa fornecidos pelo Latinobarómetro referentes ao período entre 2016 e 2020, totalizando 80.816 entrevistados em cerca de 400 questões. Para a aplicação das técnicas de classificação foram selecionados os modelos Random Forest, Gradient Boosting Classifier, XGBoost e Naïve Bayes. Os modelos foram avaliados mediante as métricas de precisão, recall, f1-score e acurácia. A fim de obter melhores resultados, os classificadores foram combinados nos métodos ensemble: Hard Voting e Soft Voting, cenário em que os modelos atingiram 86% e 85% de acurácia respectivamente. Por fim, os modelos ensemble foram submetidos a uma análise explicativa através do método Shapley Additive Explanations (SHAP). Considerando a complexidade das variáveis socioeconômicas na América Latina, questões históricas e desafios, entender os fatores que influenciam a percepção da economia é crucial para orientar ações que melhorem as condições de vida. Além disso, este estudo busca preencher a lacuna existente na aplicação de mineração de dados no contexto da satisfação econômica, contribuindo para o avanço dessa área de pesquisa. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Londrina | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia de Produção | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Economia | - |
Palavras-chave: dc.subject | Classificação | - |
Palavras-chave: dc.subject | Satisfação | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Latino-americanos | - |
Palavras-chave: dc.subject | Economics | - |
Palavras-chave: dc.subject | Classification | - |
Palavras-chave: dc.subject | Satisfaction | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Latin Americans | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
Título: dc.title | Avaliação de algoritmos de aprendizado de máquina e modelo explicativo para a análise da satisfação quanto à economia e seus principais fatores de contribuição | - |
Título: dc.title | Evaluation of machine learning algorithms and explanatory model for analyzing satisfaction with the economy and its main contributing factors | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: