Resumo: Anualmente, as perdas não técnicas de energia elétrica são responsáveis por gerar um prejuı́zo de bilhões de reais para as concessionárias no Brasil. Por essa razão, as distribuidoras são motivadas a investir em iniciativas de combate à fraude, com o propósito de coibir esse tipo de ação por parte dos seus consumidores. Uma das medidas tomadas são as inspeções para verificação de uma possı́vel irregularidade em uma unidade de consumo. O alto número de clientes e o grande volume de dados associados a eles são um estı́mulo para que algoritmos de aprendizado de máquina sejam adotados neste tipo de problema. Modelos classificadores podem ser amplamente utilizados nesse cenário, isto é, o algoritmo é treinado para identificar se o consumidor é suspeito de fraude ou não com base em dados históricos de outras unidades que já sofreram inspeção. No entanto, como o orçamento para essa prática costuma ser limitado, torna-se interessante que exista um escalonamento para avaliar quais destes alvos são os mais prováveis fraudadores. Sendo assim, o presente trabalho faz um comparativo de técnicas de regressão da biblioteca Sklearn que tem o objetivo de gerar uma lista de priorização de alvos, buscando maximizar a taxa de acerto das inspeções enviadas a campo.

Banca:
Flávio Luis de Mello, DSc. (Presidente)
Heraldo Luis Silveira de Almeida, DSc. (Orientador)
Manoel Junior Villas Boas, MSc. (Examinador)
Eric Vinícius de Carvalho Leite, MSc. (Examinador)