Ensemble de Classificadores com Atualização Dinâmica para Análise de Risco de Crédito

Resumo

Em aplicações de análise de crédito, as bases de dados em geral são fortemente desbalanceadas, apresentando quantidade essencialmente maior de exemplos de cliente adimplentes do que da classe de inadimplentes. Bases desbalanceadas comprometem o desempenho da maioria dos algoritmos clássicos de classificação, porque assumem uma distribuição de exemplos equilibrada entre os grupos e que o custo por uma classificação errada é o mesmo para todas as classes. Outra importante característica nessas bases de dados é que elas estão em constante atualização, ou seja, clientes recentemente inseridos na base devem ser rotulados como adimplentes ou inadimplentes, levando, em geral, à necessidade de atualização do modelo. Essa característica, observada em problemas de fluxo de dados contínuo, é utilizada para perceber o surgimento de novas classes e de novas tendências dos dados. Em muitos problemas de classificação, a combinação de mais de um classificador em estruturas conhecidas como ensemble de classificadores tem apresentado acurácia preditiva estável e, muitas vezes, superior à utilização de um classificador isoladamente. No entanto, os problemas investigados são geralmente restritos a conjuntos de dados estáticos. Propõe-se neste projeto a investigação e a proposta de uma nova abordagem para ensemble de classificadores que utilizará de técnicas de algoritmos evolutivos para selecionar os exemplos da base de dados de forma que o modelo de classificação induzido retorne classificadores com maior acurácia preditiva. Serão ainda propostas e investigadas novas abordagens para manter o modelo atualizado com a chegada de novos dados, já rotulados, frequentemente inseridos na base de dados em problemas de análise de crédito.