dc.contributor.author | Santos, Amanda Kely Faria dos | |
dc.date.accessioned | 2022-05-13T09:48:44Z | |
dc.date.available | 2022-05-13T09:48:44Z | |
dc.date.issued | 2022-04-18 | |
dc.identifier.citation | SANTOS, Amanda Kely Faria dos. Utilização de métodos de aprendizado de máquina para estimação de escores de propensão. 2022. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16123. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16123 | |
dc.description.abstract | Increasingly larger and more complex databases can be easily obtained and appropriate technologies for modeling massive amounts of data become increasingly necessary in order to optimize results and predictions. Machine learning techniques are gaining prominence in several areas and one of these is the analysis of propensity scores. In this work, the objective is to present and compare machine learning techniques. More specifically, the objective is to compare the classification tree and neural networks methodologies with logistic regression, a technique widely used in the analysis of propensity scores. Also, to know which benefits these machine learning techniques add more, to the detriment of models obtained via logistic regression, in the estimation of propensity scores. To achieve the objective, some applications are presented and discussed. The analysis procedure was developed with functions already implemented in Python libraries. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Árvore de classificação | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Redes neurais | por |
dc.subject | Modelo perceptron | por |
dc.subject | Classification tree | eng |
dc.subject | Machine learning | eng |
dc.subject | Neural networks | eng |
dc.subject | Perceptron model | eng |
dc.title | Utilização de métodos de aprendizado de máquina para estimação de escores de propensão | por |
dc.title.alternative | Use of machine learning methods to estimate propensity scores | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Dias, Teresa Cristina Martins | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0187724276640668 | por |
dc.description.resumo | Bases de dados cada vez maiores e mais complexas podem ser facilmente obtidas e tecnologias apropriadas para modelagem de quantidades massivas de dados tornam-se cada vez mais necessárias, a fim de que seja possível otimizar resultados e predições. Técnicas de aprendizado de máquina estão tendo destaque em diversas áreas e uma dessas é na análise de escores de propensão. Neste trabalho o objetivo é apresentar e comparar técnicas de aprendizado de máquina. Mais especificamente, o objetivo é comparar as metodologias árvore de classificação e redes neurais com regressão logística, técnica bastante utilizada na análise de escores de propensão. Também, conhecer quais benefícios dessas técnicas de aprendizado de máquina agregam mais, em detrimento de modelos obtidos via regressão logística, na estimação de escores de propensão. Para atingir o objetivo, algumas aplicacoes sao apresentadas e discutidas. O procedimento de analise foi desenvolvido com funções já implementadas nas bibliotecas em Python, linguagem que cada vez mais se destaca no mercado de trabalho. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3552187096130268 | por |
dc.publisher.course | Estatística - Es | por |