ANÁLISE COMPARATIVA DE ALGORITMOS DE PREDIÇÃO EM DADOS TABULARES: REGRESSÃO LINEAR, RANDOM FOREST, GRADIENT BOOSTING E REDES NEURAIS MLP
Resumo
Este trabalho apresenta uma análise comparativa entre quatro algoritmos de aprendizado de máquina, aplicados a um problema de regressão supervisionada sobre dados tabulares reais: Regressão Linear, Random Forest, Gradient Boosting e Rede Neural Perceptron Multicamadas (MLP). O estudo adota um protocolo metodológico, contemplando pré-processamento com isolamento estrito das partições, validação cruzada K-Fold e escalonamento de atributos diferenciado por modelo. Os modelos são avaliados pelo coeficiente de determinação (R²) e pelo erro quadrático médio (MSE). Os resultados demonstram a superioridade dos métodos não lineares: Random Forest e MLP alcançaram R² ≈ 0,66, contra R² ≈ 0,18 da Regressão Linear. Os achados fornecem subsídios empíricos para a escolha algorítmica em tarefas de regressão e apontam perspectivas para trabalhos futuros com otimização de hiperparâmetros e extensão a múltiplos conjuntos de dados.
Referências
BREIMAN, Leo. Random forests. Machine Learning, New York, v. 45, n. 1, p. 5-32, out. 2001 DOI: https://doi.org/10.1023/A:1010933404324
BREIMAN, Leo. Bagging predictors. Machine Learning, New York, v. 24, n. 2, p. 123-140, ago. 1996 DOI: https://doi.org/10.1007/BF00058655
FRIEDMAN, Jerome H. Greedy function approximation: a gradient boosting machine. The Annals of Statistics, Beachwood, v. 29, n. 5, p. 1189-1232, out. 2001 DOI: https://doi.org/10.1214/aos/1013203451
GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 3. ed. Sebastopol: O'Reilly Media, 2025.
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. New York: Springer, 2009.
KUHN, Max; JOHNSON, Kjell. Applied Predictive Modeling. New York: Springer, 2013.
RUMELHART, David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating errors. Nature, London, v. 323, n. 6088, p. 533-536, out. 1986 DOI: https://doi.org/10.1038/323533a0
WOLPERT, David H. The Lack of A Priori Distinctions Between Learning Algorithms. Neural Computation, Cambridge, v. 8, n. 7, p. 1341-1390, 1996.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.