Show simple item record

dc.contributor.authorGevert, Vania Gryczakpt_BR
dc.contributor.otherSilva, Arinei Carlos Lindbeck da, 1960-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenhariapt_BR
dc.date.accessioned2014-09-30T16:42:27Z
dc.date.available2014-09-30T16:42:27Z
dc.date.issued2009pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/24137
dc.descriptionOrientador : Arinei Carlos Lindbeck da Silvapt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciencias Exatas e Setor de Tecnologia, Programa de Pós-Graduaçao em Métodos Numéricos em Engenharia. Defesa: Curitiba, 26/08/2009pt_BR
dc.descriptionInclui bibliografiapt_BR
dc.descriptionÁrea de concentração: Programação matemáticapt_BR
dc.description.abstractResumo: Na área de crédito bancário, ao tomar um empréstimo ou realizar qualquer negócio, o passo seguinte ao preenchimento do cadastro na unidade concedente é a análise de crédito. O uso e a posse de instrumentos que auxiliem na tarefa de classificar possíveis solventes ou insolventes podem tornar-se uma grande vantagem competitiva. Nos dados das grandes empresas, existem muitos conhecimentos úteis para chegar a uma conclusão sobre essa classificação. Para isso, é preciso transformar esses dados em informações valiosas para auxiliar os bancos nessa análise. O presente trabalho foi desenvolvido para predizer empresas adimplentes e inadimplentes. Para isso, são analisados o registro de 199 clientes (pessoas jurídicas) de uma agência bancária na cidade de Wenceslau Braz, no Estado do Paraná, utilizando três técnicas: Regressão Logística, Redes Neurais e Support Vector Machine. O objetivo é a construção de cada modelo e a comparação do desempenho das três técnicas escolhidas. Os resultados encontrados demonstram uma superioridade de Support Vector Machine em relação às outras duas técnicas. Alguns dos motivos para esse sucesso estão relacionados ao fato dessa técnica exibir bom desempenho de generalização em muitas bases de dados reais, ser bem fundamentada matematicamente, a eliminação da possibilidade de mínimos locais pelo processo de treinamento e a existência de poucos parâmetros livres para ajuste.pt_BR
dc.description.abstractAbstract: In the area from bank credit to make a loan or to make any credit business, the next step to fill out the register in the allowed unit is to analyse the credit. The use and the ownership from the instruments that help in the task to classify the possible payers and the people that do not pay can become a big competitive advantage. In the data from the big companies there are a lot of useful knowledges to arrive in a conclusion about this classification. For this is necessary to transform these data in valorous informations to help the banks in this analyse. The present work was developed to show the companies that pay and the companies that do not pay their bills. To this are analysed the register from 199 clients (partnership) from a bank agency in the Wenceslau Braz city, in the Parana State, using three techniques: Logistics Regression, Neural Networks and Support Vector Machine. The object is a building from each model and the comparative three techniques chosen. The found results show a superiority of Support Vector Machine in relation to the other to techniques. Some of the reasons to this success are related to the fact of this technique show a good performance of generalization in a lot of reals data bases, to be well fundamental mathematically, the elimination of the possibility from the local minimum for the training process and the existence of a few free parameters to adjust.pt_BR
dc.format.extent133 f. : il., grafs., tabs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectTesespt_BR
dc.subjectLogísticapt_BR
dc.subjectCredito bancariopt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectAnálise numéricapt_BR
dc.titleAnálise de crédito bancário com o uso de modelos de regressão logística, redes neurais e support vector machinept_BR
dc.typeDissertaçãopt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record