Defesa de TCC - Andrey Felipe Kummer
Aluno: Andrey Felipe Kummer
Título: Introdução à modelagem preditiva probabilística: Uma aplicação prática do classificador Naive-Bayes
Data e horário: 03/07/2026 às 16h
Sala: E-205
Orientador(a): Daniela Trentin Nava
Banca: Daniela Trentin Nava, Araceli Ciotti de Marins e Gustavo Henrique Dalposso
Resumo: O aprendizado de máquina e a modelagem preditiva são componentes importantes da análise de dados, unindo a teoria estatística a área computacional. Este trabalho busca conhecer e introduzir o cenário do aprendizado de máquina, avaliando o comportamento e o desempenho do classificador probabilístico Naive Bayes frente a bases de dados reais das áreas socioeconômica e de saúde. A pesquisa tem como objetivo evidenciar a aplicabilidade prática dos modelos, tendo conhecimento da base probabilística, bem como as limitações de alguns conjuntos de dados para determinadas aplicações, como do uso de dados administrativos do Sistema Único de Saúde (SUS), para resultados clínicos. Adotou-se uma abordagem metodológica quantitativa por meio de múltiplos estudos de caso, com a modelagem desenvolvida integralmente na linguagem R. As aplicações se iniciaram com um modelo didático, avançando para a análise de risco de crédito com a base de dados socioeconômica, e se seguiu para avaliação do risco cardíaco, contrastando o desempenho de modelos treinados com dados administrativos do Sistema de Informações Hospitalares (SIH/SUS), contra dados biológicos clínicos da Fundação Cleveland. Os resultados demonstraram que o classificador falhou em prever o risco de mortalidade com os dados administrativos do SIH/SUS, por ser carente de variáveis fisiológicas. Em contrapartida, ao processar os dados clínicos de Cleveland, com muitos atributos clínicos, o modelo Naive Bayes alcançando uma acurácia balanceada de 81,55 %. Conclui-se que o algoritmo é uma ferramenta estatística robusta, desde que operado sobre variáveis adequadas. Ressaltando a fragilidade da aplicação de algoritmos em bases de dados não adequadas ao fim que se procura, demonstrando na prática como a teoria das probabilidades atua como o motor dos modelos preditivos.
