Detalhes bibliográficos
| Ano de defesa: |
2003 |
| Autor(a) principal: |
Ohtoshi, Claudia |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-132841/
|
Resumo: |
Este trabalho tem como finalidade comparar quatro técnicas: Redes Neurais Artificiais, Árvore de Classificação Binária, Real Attribute Learning Algorithm (REAL) e Regressão Logística, aplicadas para definir um modelo de classificação que permita avaliar o risco do cliente de uma dada instituição financeira se tornar inadimplente. Para construção desses modelos foram utilizadas variáveis cadastrais e de utilização, ou seja, são modelos baseados não somente nas características do cliente, mas também no seu perfil de comportamento quanto à utilização de conta-corrente e cheque especial. Tais modelos têm sido utilizados por empresas que concedem crédito massificado, para classificar clientes quanto ao nível de risco e conceder novos créditos ou definir limites em função desse risco. Como resultado do estudo, foi observado que as Redes Neurais Artificiais e a Regressão Logística tiveram acerto superior às demais técnicas |
