A predição de resultados futuros através do uso da inteligência artificial é uma aplicação relevante em diversas áreas, como a industrial, financeira, agronegócio, entre outras. A aplicação de inteligência artificial interpretável pode trazer um conhecimento adicional dos dados para os especialistas, além de poder ser traduzida em vantagem competitiva pelas empresas que a utiliza. Dessa forma, para os Leilões de Transmissão da ANEEL buscou-se investigar a capacidade preditiva de quatro algoritmos de Aprendizado de Máquina interpretáveis, mais especificamente Árvore de Decisão, Random Forest, XGBoost e CatBoost, em contextos gerados a partir de diferentes métodos de seleção de variáveis. A comparação e a avaliação do desempenho dos modelos gerados por esses algoritmos foram feitas a partir das métricas RMSE e R 2 , bem como o teste de hipótese de Friedman e o teste post-hoc de Nemenyi. Os resultados demonstraram que o contexto mais adequado foi o CatBoost com todas as variáveis. Assim, foi estudada a interpretabilidade do modelo através das árvores geradas e os atributos mais destacados, além de ser aplicado para predizer deságios em lotes de Leilões da ANEEL utilizando dados reais não visto.

The prediction of future outcomes through the use of artificial intelligence is a relevant application in several areas, such as industrial, financial, and agrobusiness, among others. The use of interpretable artificial intelligence may lead to additional knowledge of the data for the experts, besides bringing competitive advantage for the company which uses it. In this way, for the ANEEL Transmission Auctions it was investigated the prediction capacity of four machine learning algorithms, in particular, Decision Tree, Random Forest, XGBoost and CatBoost, in contexts devired from diffent variable selection methods. The comparison and performance evaluation of the models generated by this algorithms were analyzed through two metrics, RMSE e R 2 , as well as through Friedman hypothesis test and Nemenyi post-hoc test. The results show that the context CatBoost with all variables was the most adequate one. Therefore, its interpretability was studied through the generated trees and the most important variables indicated by the model, besides being applicable to predict the discounts in lots of ANEEL Transmission Auctions using actual data unseen by the model.