Mostrar registro simples

dc.contributor.advisorOliveira, Luiz Eduardo Soares de, 1971-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Datapt_BR
dc.creatorLopes, Douglas Branco Pessanhapt_BR
dc.date.accessioned2024-12-03T12:51:01Z
dc.date.available2024-12-03T12:51:01Z
dc.date.issued2024pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/93467
dc.descriptionOrientador: Prof. Luis Eduardo Soares de Oliveirapt_BR
dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Datapt_BR
dc.descriptionInclui referênciaspt_BR
dc.description.abstractResumo: 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.pt_BR
dc.description.abstractAbstract: 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.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectFramework (Programa de computador)pt_BR
dc.subjectHomicídio - Brasilpt_BR
dc.titleInterpretação de modelo de previsão do número de homicídios no Brasilpt_BR
dc.typeTCC Especialização Digitalpt_BR


Arquivos deste item

No Thumbnail [100%x80]

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples