O presente trabalho diz respeito à otimização da decisão através de métodos ensemblísticos para o tratamento de bases de dados desequilibradas. Para tal, utilizámos métodos de conjunto, que se baseiam na combinação homogénea de previsões ou classificadores para uma melhor generalização.

No nosso projeto, utilizámos a base de dados de deteção de fraudes com cartões de crédito para gerar e avaliar o modelo proposto. Também escolhemos o método de combinação de floresta aleatória, que combina várias árvores de decisão e aplica a estratégia de votação por maioria para produzir uma previsão óptima.

O objetivo do nosso estudo é construir um modelo de previsão utilizando métodos de combinação para melhorar o desempenho de um classificador individual para lidar com conjuntos de dados desequilibrados. Para atingir o nosso objetivo, para além do método de combinação de floresta aleatória utilizado, também utilizámos os métodos de subamostragem e sobreamostragem para obter os mesmos resultados e, finalmente, chegar a uma conclusão sobre os três métodos utilizados, que implementámos com a linguagem de programação phyton.

. .