Aplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Diogo Ferreira de Lima-
Autor(es): dc.contributorRoboredo, Marcos Costa-
Autor(es): dc.contributorPereira, Valdecy-
Autor(es): dc.creatorCoutinho, Caio Mocny-
Data de aceite: dc.date.accessioned2024-07-11T17:47:21Z-
Data de disponibilização: dc.date.available2024-07-11T17:47:21Z-
Data de envio: dc.date.issued2023-12-28-
Data de envio: dc.date.issued2023-12-28-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/31746-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/757509-
Descrição: dc.descriptionA classificação de nações segundo a performance em indicadores socioeconômicos é de crucial importância para o entendimento das relações econômicas. Os outputs dos modelos de classificação podem auxiliar o direcionamento de políticas públicas e tomadas de decisões estratégicas. Atualmente, existem diversas bases de dados que trazem avaliações de países para conjuntos de indicadores socioeconômicos. Dentre os estudos, alguns autores revelam que o desenvolvimento econômico das nações está associado à sua capacidade de desenvolver e comercializar produtos mais complexos. Nesse contexto, o Laboratório de Crescimento da Universidade de Harvard fornece, através de sua ferramenta de pesquisa e visualização de dados, o Índice de Complexidade Econômica (ICE), que considera a malha produtiva dos países como um indicador-chave para mensurar sua complexidade econômica. Neste estudo, algoritmos de Aprendizado de Máquina baseados em árvores de decisão são aplicados para classificar 130 países em classes formuladas a partir dos resultados do ICE. Como atributos, utilizou-se uma abordagem abrangente e intuitiva, com uso de indicadores provenientes de outras fontes, como o Índice de Liberdade Econômica e o banco de dados do Banco Mundial, para prever a classe do país em relação ao ICE. Essa predição possibilitará uma abordagem preditiva para a complexidade econômica, proporcionando insights valiosos para a compreensão das relações entre os indicadores socioeconômicos e o desenvolvimento econômico das nações. Nesse contexto, este trabalho pode ser enquadrado como uma aplicação prática de procedimentos de Aprendizado de Máquina para a tarefa de classificação. Os algoritmos testados foram as Árvores de Classificação, Florestas Randômicas e Extra Trees. Dentre as análises realizadas, destaca-se o uso do procedimento Grid Seach. Acurácias superiores a 80% foram obtidas para os modelos de ensemble.-
Descrição: dc.descriptionThe classification of nations based on performance in socioeconomic indicators is crucial for understanding economic relations. The outputs of classification models can assist in guiding public policies and strategic decision-making. Currently, there are several databases that provide assessments of countries for sets of socioeconomic indicators. Among studies, some authors reveal that the economic development of nations is associated with their ability to develop and market more complex products. In this context, the Growth Lab at Harvard University provides, through its data research and visualization tool, the Economic Complexity Index (ECI), considering a country's production network as a key indicator to measure its economic complexity. In this study, Machine Learning algorithms based on decision trees are applied to classify 130 countries into classes formulated from ECI results. As attributes, a comprehensive and intuitive approach was used, incorporating indicators from other sources such as the Index of Economic Freedom and the World Bank database to predict the country's class in relation to the ECI. This prediction enables a predictive approach to economic complexity, providing valuable insights into the relationship between socioeconomic indicators and the economic development of nations. In this context, this work can be framed as a practical application of Machine Learning procedures for the classification task. The algorithms tested were Decision Trees, Random Forests, and Extra Trees. Among the analyses performed, the use of the Grid Search procedure stands out. Accuracies exceeding 80% were obtained for the ensemble models.-
Descrição: dc.description48 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectIndicadores socioeconômicos-
Palavras-chave: dc.subjectClassificação-
Palavras-chave: dc.subjectÁrvores de Decisão-
Palavras-chave: dc.subjectIndicador sócio-econômico-
Palavras-chave: dc.subjectÁrvore de decisão-
Palavras-chave: dc.subjectClassificação-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectSocioeconomic Indicators-
Palavras-chave: dc.subjectClassification-
Palavras-chave: dc.subjectDecision Trees-
Título: dc.titleAplicação de modelos baseados em árvores de decisão para classificação de países considerando indicadores socioeconômicos-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.