Os gatos domésticos estão cada vez mais presentes nos domicílios, superando os cães em número em diferentes países. A escolha do gato como animal de companhia pode envolver diferentes aspectos, e é possível que características demográficas, socioeconômicas e geográficas das populações humanas estejam associadas à presença e ao número desses animais nos lares. No presente estudo, os algoritmos de aprendizado de máquina supervisionado Partial Least Square, Random Forest e Extreme Gradient Boosting foram aplicados aos dados demográficos e socioeconômicos provenientes da Pesquisa Nacional de Saúde de 2013 para identificar preditores da presença e número de gatos nos domicílios brasileiros e classificá-los de acordo com sua contribuição ao desempenho preditivo dos modelos construídos. Dentre eles, destacaram-se o número de cães, a zona de localização do domicílio (urbana ou rural) e número de moradores maiores de 18 anos. Porém, os algoritmos só explicaram uma pequena fração da complexidade que determina a coabitação entre humanos e gatos, mesmo incorporando 47 preditores socioeconômicos, geográficos e demográficos da população humana. Pesquisas qualitativas podem identificar preditores mais relevantes e informar estudos preditivos de base populacional.

Domestic cats′ presence in households is increasing, outnumbering dogs in different countries. The choice of keeping a cat as a pet might involve many aspects, and the demographic, socioeconomic, and geographical characteristics of human populations might be associated with the presence and number of those animals in residences. In the present study, we predicted the presence and number of cats in Brazilian households and classified predictors according to their predictive performance. To this end, we used data from the 2013 National Health Survey and three supervised machine learning algorithms: Partial Least Square, Random Forest, and Extreme Gradient Boosting. The number of dogs, the household zone (urban or rural), and the number of residents over 18 years old had the highest predictive performance. However, the algorithms explained only a small fraction of the complexity determining human-cat cohabitation, even with 47 socioeconomic, geographic, and demographic predictors of the human population. Qualitative research might identify more relevant predictors and inform population-based predictive studies.