Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/wmecai-2022-154059
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!Atualmente técnicas de aprendizado de maquina vêm sendo constantemente utilizadas para apoiar no processo de tomada de decisões importantes para indivíduos e corporações. Com o peso dessas decisões, surgem também inúmeras preocupações relativas ao seu funcionamento, quais condições foram necessárias para levar aos resultados obtidos, ou até se possíveis erros ou vieses não interferiram. Por esse motivo, a interpretabilidade das técnicas de aprendizado de máquina é um tema cuja relevância cresce a cada dia. O objetivo deste trabalho é avaliar a principal técnicas de interpretabilidade, o SHAP (SHapley Additive exPlanations), para isso, o aplicando em modelos preditivos de classificação para uma base de dados real de concessão de crédito. Do ponto de vista metodológico, foi desenvolvido um modelo preditivo e posteriormente a técnica de interpretabilidade foi aplicada. Os resultados mostraram que foi possível obter mais entendimento sobre quais variáveis tiveram maior impacto para o modelo, com boa variedade e qualidade de informações que contribuíram para se atingir avanço na interpretabilidade.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo