@MASTERSTHESIS{ 2020:1490458305,
 	title = {Classificação de risco em transferências voluntárias federais utilizando XGBoost},
 	year = {2020},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3207",
 	abstract = "Com a redemocratização no Brasil, estados e municípios passaram a contar com transferências voluntárias de recursos por parte do Governo Federal para a consecução de
 suas políticas públicas. Para uma maior tempestividade na recuperação de recursos eventualmente gastos de forma inadequada, é necessária uma ferramenta de classificação
 para atribuir perfis de risco de sucesso ou fracasso dessas transferências. Neste trabalho,
 propomos o uso do algoritmo eXtreme Gradient Boosting (XGBoost) usando conjuntos
 de dados balanceados e desbalanceados, com técnicas de otimização de hiperparâmetros
 Tree-structured Parzen Estimator bayesiano (TPE). Os resultados alcançaram boas taxas
 de sucesso. Os resultados do XGBoost mostraram uma taxa de sensibilidade usando dados
 balanceados de 89,3% e dados desbalanceados 87,8%. No entanto, para os dados desbalanceados, a AUC foi de 98,1%, contra 97,9% para os dados balanceados. Incorporar dados
 como informações acerca do objeto pactuado utilizando-se técnicas de processamento de
 linguagem natural pode melhorar os resultados obtidos.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}