Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.011


Aluno: Hélio Gonçalves de Souza Júnior
Orientador: Prof. Germano Crispim Vasconcelos
Co-orientador: Prof. Rodrigo Carneiro Leão Vieira da Cunha
Título: Comparação de métodos de inferência dos rejeitados em modelos de 
Credit Scoring
Data: 11/03/2022
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Profa. Renata Maria Cardoso Rodrigues de Souza (UFPE / Centro de Informática)
Prof. Rosalvo Ferreira de Oliveira Neto (UNIVASF / Departamento de Engenharia da Computação)
Prof. Germano Crispim Vasconcelos  (UFPE / Centro de Informática)


RESUMO
:

Os modelos de Credit Scoring oferecem benefícios para os credores e 
tomadores por muitos anos. No entanto, na prática, esses modelos são 
normalmente construídos em uma amostra da população de clientes aprovados e 
não consideram os que foram rejeitados. Isso tende a causar um viés 
amostral. Inferência dos rejeitados é um método para estimar como os 
requerentes rejeitados teriam se comportado se tivessem sido concedidos e 
incorporando essas informações na reconstrução do modelo de Credit Scoring. 
Nesta dissertação vão ser comparados 4 (cinco) métodos de inferência dos 
negados: Reclassificação, Augmentation, Cluster e Parcelamento. E também a 
inclusão de um algoritmo de deep learning, o Deep Embedded Clustering 
(DEC). Os métodos serão avaliados por diversas métricas de performance, 
tais como: AUC, KS, F1, acurácia, DTI, teste não paramétrico de 
Kruskal-Wallis e um teste post-hoc de Nemenyi. Os métodos são analisados em 
3 (três) conjuntos de dados reais com diversos perfis de taxa de 
reprovação, para verificar se o efeito do comportamento da aprovação 
impacta na performance dos métodos. Os experimentos realizados evidenciaram 
que existe diferença significativa entre os métodos estudados e também que 
o método de DEC teve desempenho superior que os demais métodos para a 
maioria das métricas avaliadas.

Palavras-chave: Inferência dos rejeitados, Aprendizagem de máquina, Credit 
scoring, Risco de crédito

Comentários desativados