Um sistema de suporte à decisão impulsionado por aprendizado de máquina para investimentos em startups usando perda adaptativa baseada em entropia com pesagem de amostras

Objetivo Este estudo apresenta um novo modelo de suporte à decisão de investimento em startups (SIDSM) que é especificamente projetado para mitigar os desafios inerentes ao desbalanceamento de classes e à incerteza nas decisões de investimento em startups. Design/metodologia/abordagem Com base em indicadores financeiros e estruturais provenientes da base de dados Crunchbase, o modelo proposto incorpora uma metodologia em múltiplas etapas. Primeiro, um processo sistemático de seleção de características integrando os métodos SHAP, Boruta e Elbow é utilizado para reter características informativas. Em seguida, estimativas de incerteza são calculadas nos níveis de característica e observação usando a métrica de Shannon-Entropy e DeepGini e incluídas no processo de aprendizado do XGBoost através de uma função de perda definida pelo usuário e uma integração de margem consciente da distribuição de rótulos (LDAM). O algoritmo meta-heurístico Cuckoo Search é utilizado para otimizar os hiperparâmetros para garantir a robustez do modelo, e uma otimização de limite baseada em classe é utilizada para otimizar as fronteiras de decisão. Resultados As descobertas experimentais demonstram que o SIDSM supera os modelos de referência, alcançando uma pontuação F1 macro de 89,47% e uma detecção de classe minoritária mais estável, indicando assim seu potencial para apoiar decisões de investimento em startups de maneira confiável, transparente e baseada em evidências sob desbalanceamento de classes. Originalidade/valor Este estudo propõe uma abordagem nova, consciente de dados e holística para as limitações metodológicas das abordagens tradicionais de classificação. Ao integrar o poder explicativo das características e as incertezas baseadas em observações no processo de aprendizado, em vez de depender exclusivamente da otimização orientada a erros, o modelo se torna sensível à incerteza, captura padrões difíceis de aprender e da classe minoritária de forma mais eficaz e fornece uma estrutura altamente robusta e explicável para a tomada de decisões de investimento em startups.