Penalva, HelenaAlmeida, Vitor Emanuel de Carvalho Rodrigues de2025-01-282025-01-282024-07http://hdl.handle.net/10400.26/54027Este estudo investiga a problemática das saídas voluntárias dos militares dos Quadros Permanentes (QP) da Força Aérea Portuguesa, desenvolvendo um modelo preditivo para identificar militares com maior probabilidade de pedir abate. Utilizando uma abordagem quantitativa, recorreu-se a métodos de machine learning, nomeadamente Regressão Logística, Naive Bayes, Análise Discriminante Linear, Análise Discriminante Quadrática e Árvores de Decisão. A base de dados foi composta por 2176 militares, divididos entre aqueles que solicitaram abate e os que permaneceram em serviço. A análise identificou variáveis sociodemográficas e estruturais significativas, como a idade, a especialidade, o número de louvores e a nota da ficha de avaliação. O modelo de Regressão Logística (RL) apresentou a melhor performance, permitindo calcular um índice de probabilidade de saída, com utilidade prática para a gestão de recursos humanos. Apesar de limitações, como a baixa sensibilidade e o uso de um conjunto limitado de variáveis, o estudo oferece contributos importantes para a retenção de talento na Força Aérea e sugere a inclusão de mais variáveis e abordagens avançadas em investigações futuras.This study investigates the issue of voluntary departures of permanent staff (QP) from the Portuguese Air Force, developing a predictive model to identify military personnel with a higher likelihood of requesting departure. Using a quantitative approach, were used machine methods learning, namely Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis and Decision Trees. The database consisted of 2179 military personnel, divided between those who requested discharge and those who remained in service. The analysis identified significant sociodemographic and structural variables, such as age, specialty, commendations, and evaluation grade. The Logistic Regression (LR) model showed the best performance, allowing the calculation of a probability of departure index, with practical utility for human resources management. Despite limitations, such as low sensitivity and the use of a limited set of variables, the study offers important contributions to talent retention in the Air Force and suggests the inclusion of more variables and advanced approaches in future research.porRetençãoRotaçãoMétodos de Machine LearningRetentionRotationMachine Learning Methodsmaster thesis203797477