30 de setembro de 2026
Aprendizado de máquina sustentável: emissões de CO2 em algoritmos de árvore de decisão
Aprendizado de Máquina Sustentável: Emissões de Co2 em Algoritmos de Árvore de Decisão
Bruno Fernando da Silva; Mario Henrique Bueno Moreira Callefi
DOI: 10.22167/2675-6528-202602734
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O crescente uso de algoritmos de aprendizado de máquina tem intensificado o debate sobre o custo ambiental, especialmente durante o treinamento de modelos. Este estudo comparou o desempenho preditivo e as emissões estimadas de dióxido de carbono durante o treinamento de diferentes algoritmos baseados em árvores de decisão. Os experimentos foram conduzidos com o conjunto de dados “Forest Cover Type”, que apresentava classificação multiclasse e desbalanceamento. Avaliaram-se algoritmos como árvore de classificação simples, floresta aleatória, XGBoost e LightGBM, considerando variações em subconjuntos de dados e hiperparâmetros. As emissões de CO2 foram estimadas pela biblioteca CodeCarbon, e a acurácia balanceada avaliou o desempenho preditivo. Observou-se que o aumento da complexidade dos modelos e da escala dos dados elevou consistentemente as emissões de CO2. Procedimentos exaustivos de ajuste de hiperparâmetros aumentaram significativamente o custo energético do treinamento sem ganhos proporcionais de desempenho. Entre os algoritmos, o LightGBM apresentou um equilíbrio favorável entre acurácia e emissões, enquanto o XGBoost obteve o maior desempenho preditivo com maior consumo energético médio. Os resultados indicaram um trade-off entre desempenho e impacto ambiental, que se intensifica com acurácias elevadas. Decisões sobre a escolha de algoritmos, configuração de hiperparâmetros e escala dos dados podem influenciar a sustentabilidade computacional de modelos de aprendizado de máquina.
Palavras-chave: Desempenho preditivo; Eficiência computacional; Inteligência artificial; Pegada de carbono.
1. Introdução
A sustentabilidade representa um pilar fundamental nos desafios contemporâneos do desenvolvimento tecnológico. Nesse contexto, a degradação contínua de matéria e energia, que passam de estados disponíveis a indisponíveis, estabelece limites biofísicos para a utilização de recursos na produção tecnológica (Georgescu-Roegen, 1971). A discussão sobre sustentabilidade transcende o âmbito puramente econômico, configurando-se como uma questão de justiça e direitos humanos, visto que a preservação dos ecossistemas é crucial para a sobrevivência das futuras gerações (Silva e Silva, 2025).
No campo do aprendizado de máquina, o uso crescente de algoritmos tem intensificado o debate sobre o custo ambiental associado ao treinamento de modelos. As emissões de carbono na atmosfera, muitas vezes resultantes da queima de combustíveis fósseis para a geração de energia, são um fator preocupante (Strubell et al., 2019). Embora pesquisadores busquem modelos cada vez mais precisos, o consumo de energia nem sempre é considerado um fator relevante. Contudo, a avaliação do consumo energético é essencial para garantir a escalabilidade e a sustentabilidade da tecnologia (García-Martín et al., 2019). A pegada de carbono de um modelo é influenciada pelo consumo de energia elétrica durante o treinamento e pelo fator de emissão da matriz energética local, bem como pelo algoritmo e pela quantidade de processadores envolvidos (Patterson et al., 2021). Ferramentas como a biblioteca CodeCarbon podem estimar métricas de emissões de dióxido de carbono por unidade de energia (Bouza et al., 2023), mas ainda há poucos estudos e incentivos insuficientes para avaliações de sustentabilidade focadas nas emissões indiretas de carbono (van Wynsberghe, 2021).
A variabilidade em arquiteturas computacionais e algoritmos dificulta a detecção de padrões de consumo energético no aprendizado de máquina (Bernardo et al., 2020). Além disso, a busca por maior precisão, que frequentemente envolve ciclos de otimização e ajustes de hiperparâmetros, conhecidos como tuning, pode multiplicar o consumo de energia durante o treinamento inicial dos algoritmos (Strubell et al., 2019). Em cargas de trabalho computacionais que utilizam árvores de decisão, o processo iterativo de cálculo da impureza e a decisão de divisão para cada novo nó da árvore são os principais elementos que influenciam o custo computacional (Ferro et al., 2023).
As árvores de decisão são amplamente empregadas devido à sua flexibilidade em lidar com problemas não lineares, sua aplicabilidade a variáveis categóricas e numéricas, e sua capacidade de gerar resultados de fácil interpretação (De’ath e Fabricius, 2000). Métodos de ensemble, como florestas aleatórias, combinam múltiplas árvores de decisão treinadas independentemente para alcançar maior precisão, seguindo o princípio de Bagging (Breiman, 1996; Breiman, 2001). Já o método Boosting, utilizado em algoritmos como LightGBM, combina modelos simples sequencialmente para aprimorar a acurácia final, destacando-se pela velocidade de treinamento e foco nas folhas principais (Sruthi, 2021; Ma et al., 2018). Independentemente do modelo, a configuração de hiperparâmetros é crucial para a execução e otimização do desempenho, sendo realizada com base na literatura, experiência ou tentativa e erro (Probst et al., 2019).
Diante desse cenário, torna-se essencial aprofundar o conhecimento sobre os impactos do uso extensivo de algoritmos de aprendizado de máquina e como as variáveis do modelo podem influenciar o consumo energético e as emissões de carbono. Boas práticas podem ser adotadas para promover a sustentabilidade no uso da inteligência artificial. A sustentabilidade em aprendizado de máquina não se limita à redução de emissões, mas abrange a busca por maior eficiência na relação entre recursos computacionais e desempenho. Essa perspectiva expande a avaliação tradicional de modelos, que foca principalmente no desempenho preditivo, para incluir o consumo energético e as emissões de carbono como dimensões adicionais de eficiência computacional (van Wynsberghe, 2021). Assim, um modelo com pequena vantagem de desempenho, mas que exige significativamente mais recursos computacionais, pode não ser a alternativa mais eficiente sob uma ótica de sustentabilidade. Diante do contexto apresentado, esta pesquisa tem como objetivo comparar estimativas de emissões de CO2 e o desempenho preditivo entre algoritmos de árvores de decisão em um problema de classificação, investigando as hipóteses da existência de um trade-off entre desempenho e impacto ambiental e de que aumentos relativamente elevados nas emissões durante o treinamento dos modelos podem resultar em ganhos apenas marginais de performance a depender do contexto.
2. Material e Métodos
A pesquisa foi de natureza exploratória, conduzida por meio de um estudo experimental. O objetivo central foi observar o impacto energético e o desempenho preditivo ao variar o tamanho do conjunto de dados e a complexidade de diferentes modelos classificatórios baseados em árvores de decisão. Esta abordagem permitiu investigar a relação entre o desempenho preditivo e as emissões de dióxido de carbono, conforme o objetivo do estudo. A manipulação controlada de observações e variáveis foi fundamental para a análise.
Os experimentos foram realizados em uma máquina local com arquitetura x64 e sem unidade de processamento gráfico (GPU). As especificações do ambiente computacional incluíram um processador AMD Ryzen 5 1600 @ 3.2GHz, com seis núcleos e doze threads, 8 GB de memória RAM e sistema operacional Windows 10. Para o cálculo do consumo energético e das emissões de CO2, utilizou-se a ferramenta CodeCarbon, uma biblioteca em Python. Esta ferramenta rastreia o trecho de código de interesse e gera um arquivo .csv com estimativas de energia consumida em quilowatt-hora (kWh) e emissões de dióxido de carbono em gramas (gCO2).
A estimativa de emissões de CO2 foi obtida pela multiplicação do consumo de energia total pelo coeficiente de intensidade de carbono da matriz energética local de execução. Para o Brasil, com dados de 2023, o coeficiente calculado foi de 98,348 gCO2 kWh⁻¹. Para fins comparativos, a CodeCarbon adota um padrão de 475 gCO2 kWh⁻¹ quando dados locais não estão disponíveis. As medições de consumo energético concentram-se na atividade da CPU e GPU, embora outros componentes como memória e placa-mãe também contribuam (Ukarande et al., 2024).
O conjunto de dados empregado foi o “Forest Cover Type Dataset” (Blackard e Dean, 1999), obtido do UCI Machine Learning Repository. Este conjunto de dados tabular é utilizado para problemas de classificação, tendo como variável objetivo o tipo de cobertura florestal. As variáveis preditoras são de natureza ambiental e geográfica, incluindo elevação do terreno, declive da área, e distâncias a estradas e corpos d’água. O conjunto completo continha aproximadamente 581.000 observações, distribuídas em sete classes distintas.
As classes um e dois concentravam cerca de 85% das observações, caracterizando um cenário de desbalanceamento que exigiu métricas de avaliação adequadas. As variáveis explicativas eram compostas por dez variáveis numéricas e duas categóricas, que foram representadas em formato de “dummies”, totalizando 44 tipos distintos. A utilização de um único conjunto de dados, mesmo com variações na amostragem, é uma limitação reconhecida, pois os resultados podem depender das características específicas dos dados.
O pipeline experimental foi padronizado para todos os modelos avaliados, garantindo a comparabilidade dos resultados. As etapas consistiram na leitura do conjunto de dados, seguida pela separação em conjuntos de treino e teste, utilizando uma proporção de 80% para treino e 20% para teste. Posteriormente, realizou-se o treinamento do modelo, a avaliação de seu desempenho no conjunto de teste e, por fim, o ajuste de hiperparâmetros, conhecido como “tuning”.
Para avaliar o impacto da escala dos dados no consumo energético, foram criados subconjuntos do conjunto de dados original, contendo 5.000, 25.000, 100.000 e 300.000 observações. A seleção dessas amostras foi realizada de forma aleatória e estratificada, preservando a proporção original das classes em cada subconjunto. Não foram aplicadas técnicas de normalização ou padronização das variáveis, pois algoritmos baseados em árvores de decisão não são sensíveis à escala dos atributos. O monitoramento do consumo energético foi restrito às etapas de treinamento e “tuning” dos modelos.
Quatro algoritmos de aprendizado supervisionado baseados em árvores de decisão foram avaliados. A árvore de classificação simples serviu como modelo de referência, com sua complexidade controlada pela variação da profundidade máxima da árvore (max_depth) em 5, 10 e 20. A floresta aleatória de classificação (Breiman, 1996; Breiman, 2001) teve configurações avaliadas com 10 e 100 estimadores (n_estimators) e profundidades máximas de 5 e 20. O “XGBoost Classifier” e o “LightGBM Classifier” (Ma et al., 2018; Sruthi, 2021) também foram incluídos, com o XGBoost testando 10 e 100 estimadores e profundidades máximas de 5 e 20. Para o LightGBM, a complexidade foi controlada pelo número de folhas (num_leaves) em 31 e 127, e pelo número de estimadores em 10 e 100. A seleção desses hiperparâmetros visou representar diferentes níveis de complexidade e manter a viabilidade computacional dos experimentos (Probst et al., 2019).
Os valores dos hiperparâmetros foram avaliados em todos os tamanhos amostrais. Técnicas de poda baseadas em custo-complexidade (ccp_alpha) e “grid search” foram aplicadas para estimar o custo energético associado ao “tuning” dos modelos. O “grid search” foi exaustivo, considerando valores entre o mínimo e o máximo de max_depth e n_estimators, com validação cruzada estratificada em três partições. Para os modelos de floresta aleatória, XGBoost e LightGBM, aplicou-se a técnica de “randomized search” com 50 iterações, devido ao custo computacional do “grid search” exaustivo. Todas as execuções utilizaram todos os núcleos disponíveis da CPU (n_jobs = -1) e um random_state de 42 para reprodutibilidade.
A performance preditiva dos modelos foi avaliada pela acurácia balanceada na base de teste, uma métrica adequada para o cenário de desbalanceamento de classes. O consumo energético e as emissões de dióxido de carbono foram estimados pela biblioteca CodeCarbon. Cada configuração experimental foi executada três vezes, e as médias dos resultados foram utilizadas para reduzir a influência de variações aleatórias do sistema operacional. O coeficiente de variação foi empregado para avaliar a estabilidade das métricas de emissão de CO2. Para integrar desempenho e custo ambiental, calculou-se um Índice de Eficiência (IF) para cada execução, definido como a razão entre a acurácia balanceada e a quantidade de gCO2 emitida.
3. Resultados e Discussão
Os resultados dos experimentos com algoritmos de árvores de decisão revelaram uma relação intrínseca entre a complexidade do modelo, a escala dos dados e as emissões estimadas de dióxido de carbono. De modo geral, observou-se que o aumento da complexidade estrutural das árvores e a intensificação dos procedimentos de busca por hiperparâmetros ótimos resultaram em elevações significativas nas emissões de CO2. Contudo, os ganhos adicionais de desempenho preditivo foram frequentemente marginais em diversos cenários, indicando a existência de um trade-off entre performance e impacto ambiental, conforme hipotetizado pelo estudo.
Ao analisar os modelos de árvore de classificação simples, verificou-se que o aumento do número de observações no conjunto de dados contribuiu para melhorias na acurácia balanceada. Por exemplo, em experimentos com 5.000 observações, a acurácia máxima alcançou 54,30%, enquanto no subconjunto de 300.000 observações, esse valor subiu para 80,50%. No entanto, esses ganhos apresentaram retornos decrescentes à medida que a base de dados crescia, ao passo que o custo computacional associado e, consequentemente, as emissões de CO2, aumentaram em um ritmo mais acelerado.
A variação da profundidade máxima da árvore (max_depth) também se mostrou um fator determinante. No conjunto com 300.000 observações, a acurácia balanceada aumentou de aproximadamente 63% para 80,5% ao se elevar a profundidade máxima de 10 para 20 níveis. Esse aprimoramento de desempenho foi acompanhado por um aumento consistente nas emissões de CO2 estimadas, que cresceram de 0,023 gCO2 para 0,037 gCO2 no mesmo cenário, representando uma elevação de cerca de 65% nas emissões.
Os experimentos que incorporaram procedimentos exaustivos de busca por hiperparâmetros ótimos, como o “grid search” e a poda baseada em custo-complexidade, revelaram aumentos extremamente elevados no consumo energético e nas emissões de CO2, sem ganhos proporcionais de desempenho preditivo. No caso do “grid search”, já no conjunto de 5.000 observações, o consumo energético foi três ordens de magnitude maior em comparação com o treinamento direto do modelo, e esse efeito se intensificou com o aumento da escala dos dados.
A aplicação exaustiva da poda por custo-complexidade demonstrou ser ainda mais onerosa do que o “grid search”. Para o conjunto com 300.000 observações, a poda resultou em uma emissão de quase 250 gCO2, em contraste com 0,037 gCO2 do modelo base sem tuning, representando um aumento de várias ordens de magnitude. Apesar desse custo ambiental expressivo, o ganho de acurácia balanceada foi inferior a um ponto percentual. Esse comportamento decorre do fato de que o procedimento não se limita a treinar uma única árvore e aplicar uma simplificação direta, mas envolve a avaliação sucessiva de diferentes subárvores geradas a partir da estrutura inicial, implicando múltiplos treinamentos e um custo computacional total significativamente maior.
Esses achados evidenciam que o custo associado à etapa de busca e otimização de hiperparâmetros pode superar amplamente o custo do treinamento do modelo final, especialmente em cenários de larga escala. Além disso, o desempenho preditivo pode obter melhorias pouco significativas. O padrão geral de trade-off entre desempenho e custo computacional foi mantido quando a análise foi estendida para algoritmos de maior complexidade, como florestas aleatórias, XGBoost e LightGBM.
A média do coeficiente de variação das emissões de CO2 durante as três execuções dos experimentos foi de 5,41%, com um valor máximo de 16,63%. Isso sugere que, embora o ruído das medições proveniente de variações do sistema operacional tenha algum efeito, ele não foi o principal determinante nas medições de emissões de CO2 realizadas pela ferramenta CodeCarbon. Um resultado notável foi que a árvore de decisão simples apresentou um desempenho médio superior ao da floresta aleatória, mesmo com um índice de emissão de CO2 aproximadamente 4,5 vezes menor.
Este achado desafia a suposição de superioridade de modelos ensemble em todos os cenários, pois a performance depende da configuração dos hiperparâmetros e da estrutura do conjunto de dados. A explicação reside na combinação de profundidade limitada das árvores com um número reduzido de estimadores, o que restringe a capacidade do ensemble de capturar padrões complexos e pode produzir partições menos informativas do que aquelas geradas pela árvore individual, que utiliza todas as variáveis disponíveis em sua divisão.
Para avaliar de forma integrada a relação entre desempenho e custo ambiental, calculou-se um índice de eficiência (IF), definido como a acurácia balanceada dividida pela quantidade de gás carbônico emitido em gramas. A análise desse índice revelou um padrão consistente: modelos mais simples e executados em bases menores apresentaram os maiores valores de eficiência. Em experimentos com árvores de classificação e 5.000 observações, os índices de eficiência ultrapassaram 800 unidades, refletindo a baixa emissão associada a esses cenários.
À medida que o tamanho do conjunto de dados aumentou e modelos mais complexos foram utilizados, o índice de eficiência tendeu a diminuir. Isso indica que ganhos adicionais de acurácia passaram a exigir quantidades de energia proporcionalmente maiores. Esse comportamento foi observado nos algoritmos ensemble e nos métodos de boosting, nos quais aumentos no número de estimadores ou na complexidade estrutural das árvores resultaram em elevações das emissões sem ganhos equivalentes de desempenho. Essa resistência se intensifica à medida que o modelo atinge acurácia balanceada mais elevada.
O índice de eficiência permitiu, assim, evidenciar que as configurações que maximizam a acurácia nem sempre correspondem às soluções mais eficientes do ponto de vista energético, reforçando a existência de um trade-off entre desempenho preditivo e custo computacional. Os algoritmos de maior desempenho tenderam a se concentrar na região de menor eficiência. A análise individualizada dos hiperparâmetros reforçou essa interpretação, especialmente ao comparar o comportamento médio dos modelos de floresta aleatória sem tuning para diferentes números de estimadores.
Os modelos com 10 e 100 estimadores apresentaram uma média de acurácia balanceada próxima, sugerindo que a variável `max_depth` é mais relevante para a qualidade do modelo no conjunto de dados estudado. Contudo, a média de emissões de CO2 revelou um incremento de 927% entre os dois grupos, demonstrando que a alteração de um único hiperparâmetro pode exigir um processamento expressivamente maior sem ganho significativo de acurácia. Esse achado tem implicações diretas para a escolha de estratégias de tuning, uma vez que a busca via `GridSearchCV()` intensifica esse problema de forma combinatória.
A comparação entre as buscas por hiperparâmetros via `GridSearchCV()` e `RandomizedSearchCV()` nos modelos de floresta aleatória demonstrou que a quantidade de emissões é expressivamente menor com `RandomizedSearchCV()`, enquanto as acurácias balanceadas permaneceram muito semelhantes. Apesar de os dados contemplarem apenas quatro níveis de tamanho amostral, o padrão observado sugere que esse comportamento pode se repetir independentemente do volume de dados, reforçando a importância de estratégias de tuning mais eficientes.
A comparação entre XGBoost e LightGBM revelou a maior eficiência do segundo algoritmo, cuja abordagem de divisão da árvore folha a folha, e não por níveis, contribui para um menor custo computacional (Ma et al., 2018). Nos modelos sem tuning, o XGBoost apresentou, em média, 1,27 pontos percentuais a mais do que o LightGBM, mas com uma média de emissões de gás carbônico quase 2,8 vezes maior. Com a aplicação do random search, o XGBoost alcançou 92,10% de acurácia balanceada máxima contra 88% do LightGBM, porém a um custo de emissões 2,5 vezes superior.
Essa diferença de eficiência entre os dois algoritmos de boosting soma-se ao padrão identificado na relação entre o tamanho do conjunto de dados e a média de emissões de CO2. O crescimento das emissões acompanhou o aumento do volume de dados de maneira aproximadamente linear dentro da faixa analisada. Embora essa interpretação deva ser feita com cautela por se basear em apenas quatro pontos amostrais, a tendência observada reforça que decisões envolvendo tanto a escolha do algoritmo quanto a escala dos dados influenciam de forma conjunta o custo ambiental do treinamento de modelos de aprendizado de máquina.
Em síntese, os experimentos confirmaram a hipótese de um trade-off entre desempenho preditivo e impacto ambiental, evidenciando que o aumento da complexidade estrutural dos modelos, a ampliação da escala dos dados e a busca exaustiva por hiperparâmetros ótimos elevam consideravelmente as emissões de CO2. Os ganhos de acurácia, por sua vez, apresentaram retornos decrescentes, sugerindo que a eficiência computacional e a sustentabilidade devem ser critérios adicionais na avaliação e desenvolvimento de modelos de aprendizado de máquina.
4. Conclusão
Este estudo teve como objetivo comparar estimativas de emissões de CO2 e o desempenho preditivo entre algoritmos de árvores de decisão em um problema de classificação, investigando a existência de um trade-off entre desempenho e impacto ambiental. Verificou-se que o aumento da complexidade estrutural dos modelos, a ampliação da escala dos dados e a busca exaustiva por hiperparâmetros ótimos elevaram consistentemente as emissões de dióxido de carbono. Contudo, os ganhos adicionais de acurácia preditiva foram frequentemente marginais, confirmando a hipótese de um trade-off. Observou-se que procedimentos de ajuste de hiperparâmetros, como o “grid search” e a poda por custo-complexidade, resultaram em aumentos expressivos no consumo energético sem melhorias proporcionais de desempenho. Entre os algoritmos avaliados, o LightGBM demonstrou um equilíbrio favorável entre acurácia e emissões, enquanto o XGBoost alcançou o maior desempenho preditivo com um custo energético médio superior. A principal contribuição reside na evidência empírica de que a sustentabilidade computacional, mensurada pelas emissões de CO2, deve ser um critério adicional na avaliação e desenvolvimento de modelos de aprendizado de máquina, promovendo uma perspectiva de eficiência que transcende a mera acurácia.
Apesar dos achados, este estudo possui limitações. A utilização de um único conjunto de dados, mesmo com variações amostrais, restringe a generalização dos resultados, pois o comportamento dos algoritmos pode ser influenciado pelas características específicas dos dados. Além disso, as medições de emissões foram realizadas pela biblioteca CodeCarbon, cuja precisão está sujeita a limitações inerentes ao monitoramento indireto do consumo energético. Para estudos futuros, sugere-se replicar os experimentos em conjuntos de dados com características distintas e estender a análise para outros tipos de problemas, como processamento de imagens e linguagem natural. Recomenda-se também investigar se os padrões identificados se mantêm em arquiteturas computacionais e matrizes energéticas diferentes, aprofundando o entendimento sobre a sustentabilidade da inteligência artificial.
Referências Bibliográficas
García-Martín, E.; Rodrigues, C. F.; Riley, G.; Grahn, H. 2019. Estimation of energy consumption in machine learning. Journal of Parallel and Distributed Computing 134: 75-88.
Georgescu-Roegen, N. 1971. The Entropy Law and The Economic Process. Harvard University Press, Cambridge, MA, EUA.
Patterson, D.; Gonzalez, J.; Le, Q.; Liang, C.; Munguia, L.M.; Rothchild, D.; So, D.; Texier, M.; Dean, D. 2021. Carbon emissions and large neural network training. Disponível em: <https://arxiv.org/abs/2104.10350>. Acesso em 12 out. 20
Silva, G. L. O.; Silva, G. 2025. Emissões de gases do efeito estufa: explorando os fundamentos da sustentabilidade e os principais compromissos globais. Revista Jurídica do Ministério Público do Estado de Rondônia 1(1): 158-182.
Strubell, E.; Ganesh, A.; McCallum, A. 2019. Energy and policy considerations for deep learning in NLP. In: 57th Annual Meeting of the Association for Computational Linguistics, 2019, Florence, Itália. Anais… p. 3645-3650.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
