Comparação de modelos estatísticos e de aprendizado de Máquina na previsão de eventos extremos

Abstract

Resumo : O presente trabalho busca apresentar uma comparação entre o modelo estatístico ARIMA e o algoritmo de aprendizado de máquina XGBoost aplicados a um problema de séries temporais contendo eventos extremos. O XGBoost é comumente utilizado para resolver problemas de aprendizado supervisionado. Estes tipos de modelos consideram a resposta independente, porém, podem ser adaptados para problemas envolvendo séries temporais. Foi considerado um conjunto de dados contendo o total de vendas de lojas e departamentos específicos. Serão apresentados os algoritmos utilizados, a metodologia, os dados utilizados, complexidade dos modelos, interpretabilidade, resultados e recomendações para trabalhos futuros. Foi concluído que o modelo ARIMA performou melhor na série total contendo departamentos, enquanto o desempenho do XGBoost foi melhor nos eventos extremos. Aplicados a lojas, ambos os modelos desempenharam similarmente