TCC - Ciência de Dados

Este repositório contém o código e os dados utilizados no meu TCC (Trabalho de Conclusão de Curso) sobre Ciência de Dados realizado no MBA em Data Science da Universidade de São Paulo (USP). O projeto tem como foco analisar e prever o cumprimento da Lei de Responsabilidade Fiscal (LRF) pelos municípios de Mato Grosso, Brasil.

Publicação do Artigo

Este projeto resultou no artigo "Previsão do Cumprimento da Lei de Responsabilidade Fiscal por Municípios do Mato Grosso utilizando Random Forest", que foi publicado na Revista Brasileira de Planejamento e Orçamento – RBPO.

Para referência acadêmica, veja o formato abaixo:

@article{micaelly2024previsao,
  title={Previsão do Cumprimento da Lei de Responsabilidade Fiscal por Municípios do Mato Grosso utilizando Random Forest},
  author={Micaelly Cristine de Moura Santos},
  journal={Revista Brasileira de Planejamento e Orçamento – RBPO},
  year={2024},
  volume={14},
  pages={1--16}
}

Visão Geral

O objetivo deste projeto é identificar as características que influenciam o cumprimento dos limites estabelecidos pela Lei de Responsabilidade Fiscal (LRF) por parte dos municípios do estado de Mato Grosso. Além disso, busca-se desenvolver um modelo capaz de prever o cumprimento da LRF com base em análise de dados.

Dados

Os dados utilizados neste projeto abrangem o período de 2017 a 2022 e foram obtidos do Instituto Brasileiro de Geografia e Estatística (IBGE) e do Tribunal de Contas do Estado de Mato Grosso (TCE-MT). Eles incluem informações financeiras, socioeconômicas e educacionais dos municípios de Mato Grosso.

• Dataset e Glossário disponíveis no Zenodo: Micaelly Cristine de Moura Santos. (2023). Dataset [Data set]. Zenodo. https://doi.org/10.5281/zenodo.8159329

Requisitos Minimos

• Python (versão 3.6 ou superior)

Metodologia

O projeto utiliza técnicas de aprendizado de máquina para realizar a análise e previsão do cumprimento da LRF. A metodologia adotada envolve as seguintes etapas:

1. Coleta e pré-processamento dos dados: Os dados são coletados a partir das fontes mencionadas e passam por um processo de pré-processamento, incluindo tratamento de valores ausentes e codificação de variáveis categóricas.

2. Análise exploratória dos dados: É realizada uma análise exploratória dos dados para identificar padrões, correlações e insights importantes sobre as características que podem influenciar o cumprimento da LRF.

3. Desenvolvimento do modelo preditivo: É construído um modelo de aprendizado de máquina para prever o cumprimento da LRF com base nos dados disponíveis. Diferentes técnicas de modelagem podem ser exploradas, como regressão logística, random forest, entre outras.

4. Avaliação do modelo: O modelo desenvolvido é avaliado quanto à sua acurácia e outras métricas relevantes para medir sua performance na previsão do cumprimento da LRF.

5. Aplicação do modelo: O modelo final treinado pode ser aplicado para realizar previsões de cumprimento da LRF em municípios de Mato Grosso com base em dados recentes.

Resultados Esperados

Espera-se que este projeto possa fornecer insights importantes sobre os fatores que influenciam o cumprimento da LRF por parte dos municípios de Mato Grosso. Além disso, espera-se obter um modelo preditivo com boa performance na previsão do cumprimento da LRF, o que pode auxiliar gestores públicos e tomadores de decisão na identificação e adoção de medidas para melhorar a gestão fiscal e o cumprimento da legislação.

Utilização

Para executar o código e reproduzir os resultados, siga estas etapas:

1. Clone o repositório:

git clone https://github.com/Micaelly2222/tcc_data_science.git

2. Instale as dependências necessárias. É recomendado criar um ambiente virtual:

pip install -r requirements.txt

3. Abra e execute os Jupyter Notebooks na seguinte ordem:

• web_scrapping.ipynb
• df_merged.ipynb
• tratamento_dados.ipynb
• novo_tratamento_dados.ipynb
• aplicacao_modelo.ipynb