1. Repositório Institucional UFC
2. UFC - Graduação e Tecnólogo - Trabalhos de Conclusão de Curso (TCC)
3. ENGENHARIA DE COMPUTAÇÃO-SOBRAL
4. ENGENHARIA DE COMPUTAÇÃO-SOBRAL - Monografias

Type:	TCC
Title:	Aprendizagem de máquina para previsão de predisposição ao medo do crime
Authors:	Fernandes, Lucinara Kecia Silva
Advisor:	Moura Júnior, James Ferreira
Keywords:	Aprendizado de Máquina;Dados Sociais;Knowledge Discovery in Databases - KDD
Issue Date:	2022
Citation:	FERNANDES, L. K. S. Aprendizagem de máquina para previsão de predisposição ao medo do crime, 2022. Monografia (Graduação de Engenharia da Computação) - Campus de Sobral, Universidade Federal do Ceará, Sobral, 2022.
Abstract in Brazilian Portuguese:	Diante do quadro de violência vivenciado pela população brasileira, fatores característicos como aspectos sociodemográficos e propensão à posições autoritárias impactam na predisposição ao medo do crime por parte dos cidadãos. Perante essa conjuntura, o Aprendizado de Máquina se mostra uma ferramenta útil na análise dessas relações, por já ser um artifício cada vez mais aplicado à dados sociais no contexto de predição. Com base nisso, o objetivo deste trabalho está na verificação dos melhores modelos para análise de dados e técnicas de Aprendizado de Máquina (AM), nos quais os níveis de indicadores de medo do crime são previstos, e na análise de quais atributos são mais relevantes para a previsão da predisposição ao medo do crime, utilizando o banco de dados da pesquisa intitulada “Medo da violência e o apoio ao autoritarismo no Brasil”. Coordenada pelo Fórum Brasileiro de Segurança Pública, os dados da pesquisa foram coletados em formato de questionário com assertivas de cunho sociodemográfico, relacionadas a situações de vivência como vítima de crimes e propensão ao apoio a posições autoritárias. Como metodologia de desenvolvimento, é abordado no trabalho a utilização do método Knowledge Discovery in Databases (KDD), partindo da análise dos dados coletados na pesquisa à disposição de simulações com 3 cenários de dados propostos e com combinações de classificadores, sendo eles Support Vector Machine (SVM), Random Forest (RF) e K-Nearest Neighbors (KNN). Ainda nas etapas do método, é realizada análise de atributos, com os algoritmos Sequential Forward Select (SFS) e Sequential Backward Selection (SBS), bem como aplicação da técnica de redução de dimensionalidade Principal Component Analysis (PCA). Em síntese, a melhor acurácia foi obtida utilizando os dados normalizados, o algoritmo SFS e o classficador SVM. Além disso, são observados como atributos mais importantes, a partir do cálculo dos coeficientes de Gini e Entropia, os relacionados a idade, escolaridade e índices sintéticos obtidos das escalas propostas pela pesquisa.
URI:	http://www.repositorio.ufc.br/handle/riufc/66495
Appears in Collections:	ENGENHARIA DE COMPUTAÇÃO-SOBRAL - Monografias

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.