Utilizando Técnicas de Mineração de Dados Para Apoiar a Busca Ativa de Famílias em Situação de Vulnerabilidade e Risco Social
Resumo
No âmbito da Assistência Social, existe a necessidade de se identificar as famílias em situação de vulnerabilidade e risco social, processo esse chamado de “busca ativa”. O Ministério do Desenvolvimento Social e Combate à Fome do Brasil orienta que seja realizado o cruzamento de bases de dados como forma de realizar a busca ativa, mas não disponibiliza nenhuma ferramenta para realização desse processo. Este trabalho busca identificar e utilizar técnicas de mineração de dados adequadas para realizar a identificação das famílias em situação de vulnerabilidade e risco social e apoiar a busca ativa. Os resultados preliminares obtidos até o momento demonstraram que na maioria dos casos os modelos prevêem sempre a classe majoritária. Após realizar um balanceamento das amostras foi obtido um resultado de 66.66% das amostras classificadas corretamente.
Referências
BRASIL (2009). Ministério do Desenvolvimento Social e Combate à Fome. Orientações Técnicas: Centro de Referência de Assistência Social - CRAS. Brasília.
BRASIL (2013). Busca ativa: O que é a busca ativa do plano brasil sem miséria. Disponivel em: http://www.mds.gov.br/falemds/perguntas-frequentes/superacao-da-extrema-pobreza%20/plano-brasil-sem-miseria-1/busca-ativa/.
Dougherty, G. (2013). Pattern Recognition and Classification: An Introduction. Springer.
Flores, M. J., Gámez, J. A., Martínez, A. M., and Puerta, J. M. (2011). Handling numeric attributes when comparing bayesian network classifiers: Does the discretization method matter? Applied Intelligence, 34(3):372–385.
Friedman, N., Geiger, D., and Goldszmidt, M. (1997). Bayesian network classifiers. Machine Learning, 29(2-3):131–163.
Kohavi, R. and Provost, F. (1998). Glossary of terms. Machine Learning, 30:271–74. Monard, M. C. and Baranaukas, J. A. (2003). Sistemas Inteligentes: Fundamentos e Aplicações, chapter Conceitos Sobre Aprendizado de Máquina, pages 89–114.
Webb, G. I., Boughton, J. R., and Wang, Z. (2005). Not so naive bayes: Aggregating one-dependence estimators. Machine Learning, 58(1):5–24.
