Filiação Partidária e Risco Corrupção
•Download as PPTX, PDF•
0 likes•364 views
Brasil 100% Digital - O evento teve como principal objetivo a troca de experiências relacionadas ao uso de técnicas avançadas de análise de dados como instrumento para melhoria da gestão e do controle de entidades e políticas públicas. Espera-se que os debates contribuam para que as instituições participantes possam iniciar ou intensificar a adoção de tais técnicas, de modo a obter maior eficiência e efetividade em suas atividades.
Recommended
Recommended
More Related Content
Viewers also liked
Viewers also liked (19)
Similar to Filiação Partidária e Risco Corrupção
Similar to Filiação Partidária e Risco Corrupção (20)
More from Tribunal de Contas da União - TCU (Oficial)
More from Tribunal de Contas da União - TCU (Oficial) (9)
Filiação Partidária e Risco Corrupção
- 1. Filiação Partidária e Risco de Corrupção de Servidores Públicos Federais Ricardo Silva Carvalho – CGU/SE/DIE/CGIE Brasil 100% Digital: 1º Seminário sobre Análise de Dados na Administração Pública | 11/09/2015 @ TCU
- 2. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 2
- 3. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 3
- 6. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 6
- 7. Entendimento do Negócio DIE PREVENÇÃO E COMBATE À CORRUPÇÃO Diretoria de Pesquisas e Informações Estratégicas Servidores públicos federais alocados em todos os estados PRIORIZAÇÃO EFETIVA EM LARGA ESCALA SERVIDOR PÚBLICO FEDERAL Equipe Reduzida 7
- 8. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 8
- 9. Entendimento dos Dados SIAPE TSE BD PRINCIPAL SERVIDORES FILIADOS TCU RFB CGU CEAFCORRUPTOS FILIADOS NÃO-CORRUPTOS FILIADOS CORRUPTO NÃO-CORRUPTO SERVIDOR PÚBLICO Cadastro de servidores Dados de filiação partidária 9
- 10. Entendimento dos Dados SIAPE TSE CORRUPTOS FILIADOS NÃO-CORRUPTOS FILIADOS 2 1 12 k l ij ij i j ij O E E 2 1 158 H0: Variáveis são independentes H0 não pode ser aceita 10
- 11. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 11
- 12. Preparação dos Dados CORRUPTOS FILIADOS NÃO-CORRUPTOS FILIADOS LIMPEZA DE DADOS Valores inválidos Total de dias filiado Número máximo de dias filiado a um partido Maior código de motivo de cancelamento SELEÇÃO DE ATRIBUTOS Correlation-Based 3 atributos selecionados UNDERSAMPLING Não-Corruptos filiados AGREGAÇÃO 6 Atributos ATRIBUTOS FINAIS 12
- 13. Preparação dos Dados DISCRETIZAÇÃO Multi-interval (MI) Equal-Freq. (EQ) Prop. K-int. (PKI) 9 NORMALIZAÇÃO Média 0 Variância 1 1 10 datasets Total de dias filiado Número máximo de dias filiado a um partido Maior código de motivo de cancelamento ATRIBUTOS FINAIS 13
- 14. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 14
- 15. Modelagem TREINAMENTO = 90% TESTE = 10% Bayesian Networks (BN) Random Forest (RF) Support Vector Machines (SVM) Artificial Neural Networks (ANN) MetaCost WRAPPER [0.0 1.0] [5.0 0.0] CUSTO de FALSOS POSITIVOS 15 Modelagem 4 algoritmos x 10 datasets = 40 modelos
- 16. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 16
- 17. Avaliação DATASET 4 Atrib. 1 = MI Atrib. 2 = PKI RESULTADO MÉDIO DOS 4 ALGORITMOS PARA CADA DATASET 17
- 18. Avaliação RANDOM FOREST RESULTADO FINAL POR ALGORITMO PARA DATASET 4 18
- 19. Avaliação 86% 15% + 13% + 12% - 7% + COMPARAÇÃO FINAL ENTRE MODELO DE ESPECIALISTAS E MODELO GERADO PELO RANDOM FOREST (DADOS DE TESTE) 19
- 20. Avaliação CONFIRMOU + COD_MAIOR_MOTIV_CANC + RISCO DE CORRUPÇÃO IGNOROU NR_PARTIDOS_FILIADO GANHO DE CONHECIMENTO + NR_DIAS_FILIADO - RISCO DE CORRUPÇÃO VISUALIZAÇÃO DE UMA DAS ÁRVORES DO MODELO 20
- 21. Roteiro 1) Introdução 2) Entendimento do Negócio 3) Entendimento dos Dados 4) Preparação dos Dados 5) Modelagem 6) Avaliação 7) Conclusão CRISP-DM 21
- 22. Conclusão 1) Dados apoiam hipótese (Filiação Partidária Corrupção) 2) Resultados justificam uso de aprendizagem de máquina 3) Análise piloto de risco de corrupção na DIE / CGU 4) Trabalho gerou artigo aceito em conferência internacional BRACIS 2014 – Brazilian Conference on Intelligent Systems Using Political Party Affiliation Data to Measure Civil Servants’ Risk of Corruption http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6984825 22
- 23. Obrigado! Ricardo Silva Carvalho – CGU/SE/DIE/CGIE ricardo.carvalho@cgu.gov.br ricardosc@gmail.com LinkedIn: br.linkedin.com/in/ricardoscr 23