AVALIAÇÃO DO DESEMPENHO DE MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS SINTÉTICOS: UM ESTUDO EXPERIMENTAL BASEADO NA LITERATURA

O desempenho dos modelos de inteligência artificial está diretamente relacionado à qualidade, à organização e à confiabilidade dos dados utilizados em seu treinamento. Apesar dos avanços no desenvolvimento de algoritmos de aprendizado de máquina, ainda são observadas limitações na sistematização de pipelines de engenharia de dados capazes de assegurar qualidade, rastreabilidade, governança e reprodutibilidade dos conjuntos de dados. Nesse contexto, este estudo teve como objetivo avaliar o efeito de diferentes níveis de qualidade de dados sintéticos sobre o desempenho de modelos de classificação. A pesquisa foi desenvolvida por meio de revisão bibliográfica, associada a uma análise experimental simulacional envolvendo os algoritmos Árvore de Decisão, Random Forest, Support Vector Machine, K-Nearest Neighbors e Regressão Logística. Foram aplicados procedimentos de geração de dados sintéticos, pré-processamento, divisão treino/teste, ajuste de hiperparâmetros, validação cruzada estratificada e avaliação por acurácia, precisão, recall, especificidade, F1-score e área sob a curva ROC. O conjunto sintético foi estruturado com 1.000 registros, 12 variáveis preditoras numéricas e uma variável-alvo binária, sendo avaliados três cenários de qualidade: alta qualidade, qualidade intermediária e baixa qualidade. No cenário de alta qualidade, o Random Forest apresentou o melhor desempenho, com acurácia de 84,7%, precisão de 87,5%, recall de 83,1%, especificidade de 86,4%, F1-score de 85,3% e AUC de 0,86. A análise complementar demonstrou redução progressiva da acurácia nos cenários de qualidade intermediária e baixa qualidade, evidenciando a influência direta da degradação dos dados sobre o desempenho dos classificadores. Conclui-se que a qualidade, a consistência e a organização dos dados constituem fatores determinantes para a confiabilidade, a comparabilidade e a reprodutibilidade dos experimentos em aprendizado de máquina.