Predição de ações judiciais de consumo não registrado: uma abordagem para o problema de classes desbalanceadas
Resumo
Ajudar empresas a prever os consumidores que podem ser levados à justiça contra as mesmas não é uma tarefa simples. Um dos principais problemas é a quantidade de dados dessas empresas, aliada a grande desproporção entre as classes. Assim, o objetivo deste trabalho ´e prever processos judiciais de consumo de energia não registrados para uma companhia de energia elétrica que tenha uma base de dados com mais de 2 milh˜oes de clientes e uma raz˜ao de 1:174 de desequilíbrio entre as classes. Para isso, propomos um método incremental que utiliza técnicas de amostragem. Os resultados obtidos por esse método foram 97,07 de sensibilidade.
Palavras-chave:
Predição, consumo de energia, consumidores não regeistrados
Referências
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Buckman, J., Roy, A., Raffel, C., and Goodfellow, I. (2018). Thermometer encoding: One hot way to resist adversarial examples.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794. ACM.
Elrahman, S. M. A. and Abraham, A. (2013). A review of class imbalance problem. Journal of Network and Innovative Computing, 1(2013):332–340.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8):1735–1780.
Hosmer Jr, D. W., Lemeshow, S., and Sturdivant, R. X. (2013). Applied logistic regression, volume 398. John Wiley & Sons.
Ib´a˜nez, V. A., Hartmann, P., and Calvo, P. Z. (2006). Antecedents of customer loyalty in residential energy markets: Service quality, satisfaction, trust and switching costs. The Service Industries Journal, 26(6):633–650.
Manevitz, L. M. and Yousef, M. (2001). One-class svms for document classification. Journal of machine Learning research, 2(Dec):139–154.
Mohri, M., Rostamizadeh, A., and Talwalkar, A. (2018). Foundations of machine learning. MIT press.
Tan, P.-N. (2018). Introduction to data mining. Pearson Education India.
Buckman, J., Roy, A., Raffel, C., and Goodfellow, I. (2018). Thermometer encoding: One hot way to resist adversarial examples.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794. ACM.
Elrahman, S. M. A. and Abraham, A. (2013). A review of class imbalance problem. Journal of Network and Innovative Computing, 1(2013):332–340.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8):1735–1780.
Hosmer Jr, D. W., Lemeshow, S., and Sturdivant, R. X. (2013). Applied logistic regression, volume 398. John Wiley & Sons.
Ib´a˜nez, V. A., Hartmann, P., and Calvo, P. Z. (2006). Antecedents of customer loyalty in residential energy markets: Service quality, satisfaction, trust and switching costs. The Service Industries Journal, 26(6):633–650.
Manevitz, L. M. and Yousef, M. (2001). One-class svms for document classification. Journal of machine Learning research, 2(Dec):139–154.
Mohri, M., Rostamizadeh, A., and Talwalkar, A. (2018). Foundations of machine learning. MIT press.
Tan, P.-N. (2018). Introduction to data mining. Pearson Education India.
Publicado
25/09/2019
Como Citar
GOMES, Paulo R.; ALMEIDA, Dayvson W.; REIS, Nelia C.; FRANCA, João V.; SANTOS, Pedro T.; SOBRAL NETO, José; ALVES, Erika W.; OLIVEIRA, Milton S..
Predição de ações judiciais de consumo não registrado: uma abordagem para o problema de classes desbalanceadas. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 7. , 2019, São Luís/MA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 158-165.
