Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/42727
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_FernandaSantosAmorim.pdf473,48 kBAdobe PDFVisualizar/Abrir
Título: Previsão de indícios de fraude em fundos de pensão utilizando modelos de aprendizado de máquina supervisionados e técnicas de balanceamento de dados
Autor(es): Amorim, Fernanda Santos
Orientador(es): Albuquerque, Pedro Henrique Melo
Assunto: Fraudes
Dados desbalanceados
Aprendizagem de máquina
Data de publicação: 11-Jan-2022
Referência: AMORIM, Fernanda Santos. Previsão de indícios de fraude em fundos de pensão utilizando modelos de aprendizado de máquina supervisionados e técnicas de balanceamento de dados. 2021. 95 f., il. Dissertação (Mestrado em Administração)—Universidade de Brasília, Brasília, 2021.
Resumo: Fraudes Financeiras têm se tornado alvo de diversos estudos, devido aos impactos (principalmente econômicos), que estas podem causar a empresas, países e pessoas físicas. Detecção de Fraudes é a área de estudos que procura identificar atividades fraudulentas. Estas análises são feitas dentro de conjuntos de dados que são muito desbalanceados devido à baixa ocorrência dos acontecimentos alvo, isto é, existem classes de dados que ocorrem com maior frequência (classes majoritárias) que outras(classes minoritárias). Os dados que ocorrem com menor frequência são conhecidos como eventos raros e podem ser observados em diversas áreas de estudo como medicina (doenças raras), sistemas de rede (detecção de intrusos), meteorologia (desastres naturais), finanças (fraudes, falência). O estudo proposto tem como objetivo avaliar o desempenho de Modelos Supervisionados de Aprendizado de Máquina para dados desbalanceados de Indício de Fraudes em Fundos de Pensão utilizado Técnicas de Balanceamento de dados. Os dados utilizados foram cedidos pela Superintendência Nacional de Previdência Complementar (PREVIC). Para Seleção de Variáveis, foi usado Análise de Componentes Principais. Os modelos utilizados foram: Regressão Logística, Random Forest, Máquina de Suporte Vetorial e Redes Neurais. As Técnicas de Balanceamento utilizadas foram Random Undersampling, SMOTE e SMOTETomek.Com os testes realizados, este estudo recomenda a utilização do Random Forest como Modelo de Aprendizado de Máquina, ajustando o desbalanceamento da base com o SMOTE, por ter apresentado os melhores resultados de acordo com as Métricas de Avaliação utilizadas
Abstract: Financial frauds has become the target of several studies, due to its impacts (whichare mainly economical) that can cause to companies, countries and individuals. Fraud Detection is the field of study that seeks to identify fraudulent activities. These analyzes are made within datasets that are very unbalanced due to the low occurrence ofthe target events, that is, there are data classes that occur more frequently (majorityclasses) than others (minority classes). The data that occur less frequently are knownas rare events and can be seen in several fields of studies such as medicine (rarediseases), network systems (intrusion detection), meteorology (natural disasters), and finance (fraud, bankruptcy). The proposed study aims to evaluate the performanceof Supervised Machine Learning Models for unbalanced data of Fraud Indication inPension Funds using Data Balancing Techniques. The data used were provided by the National Superintendency of Complementary Pension (PREVIC). For Variable Selection, Principal Component Analysis was used. The models used were: Logistic Regression, Random Forest, Vector Support Machine and Neural Networks. The Bal-ancing Techniques used were Random Undersampling, SMOTE and SMOTETomek.With the tests performed, this study recommends the use ofRandom Forestas a Ma-chine Learning Model, adjusting the base unbalance with SMOTE, as it presented thebest results according to the Evaluation Metrics used.
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Programa de Pós-Graduação em Administração, 2021.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.