Poker is a card game with a very simple objective: players bet that their card combination is better than the ones from their opponents. Given its characteristics, like competitive multi-agent environment, partially observable and stochastic, the game is used as a research problem in the areas of Artificial Intelligence and Machine Learning. The problem of learning a player’s strategies through of his previous gamelogs was recently addressed in the literature. In that work, a dataset was modeled to represent four aspects of the game: position, aggression, hand quality and current situation. Some classification techniques had a satisfactory result, but the importance of the attributes was not analyzed. Since redundant or irrelevant attributes may affect the predictive performance of the classifiers, this work aims to analyze how does the attribute selection process may help to deal with the problem. The ideal approach to select the best subset of attributes would be to try out all possible subsets, but it is an unfeasible method due to the large amount of possible subsets. Thus, we investigated in the literature methods for selecting attributes such as filters and wrappers to be used in a computational environment reproduced from the literature and adapted to perform attribute selection. It was identified that certain attributes are important in certain stages, but can become irrelevant during the game. There were filters that stood out both predictive performance and attribute reduction, but the amount of attributes removed is not always related to the improvement of performance. The wrapper approach proved to be more effective, in both points (attribute reduction and predictive performance), although requiring a higher computational cost. In general, the selection of attributes demonstrated to be an important step to data pre-processing, as there was improvement in several classifier in all stages of the game.Trabalho de Conclusão de Curso (Graduação)O pôquer é um jogo de cartas com o objetivo bem simples, basicamente os jogadores apostam que sua combinação de cartas seja melhor que a do seus oponentes. Dado suas características, um ambiente multi-agente competitivo, parcialmente observável e estocástico, o jogo é utilizado como objeto de pesquisa nas áreas de Inteligência Artificial e Aprendizado de Máquina. O problema de aprender as estratégias de um jogador através de seus registros anteriores foi recentemente abordado na literatura através de um conjunto de dados modelado para representar quatro aspectos do jogo: posição, agressividade, qualidade da mão e situação atual. Várias técnicas de classificação tiveram resultado satisfatório, porém a importância dos atributos não foi analisada. Uma vez que atributos redundantes ou irrelevantes podem prejudicar o desempenho preditivo dos classificadores, este trabalho visa analisar como o processo de seleção de atributos se comporta para o problema. A abordagem ideal para selecionar o melhor subconjuntos de atributos seria experimentar todos os possíveis subconjunto, porém é um método inviável pela grande quantidade de subconjuntos possíveis. Dessa forma, foi investigado na literatura métodos de seleção de atributos como filtros e wrappers para serem utilizados em um ambiente computacional reproduzido da literatura e adaptado para a seleção de atributos. Foi identificado que certos atributos são importantes em determinadas etapas, porém podem se tornar irrelevantes no decorrer do jogo. Houve filtros que se destacaram tanto no desempenho preditivo quanto na redução de atributos, porém nem sempre a quantidade de atributos removidos está relacionada com melhoria de desempenho. A abordagem wrapper se mostrou mais efetiva, em ambas questões (redução de atributos e desempenho preditivo), porém com um custo computacional maior. De forma geral, a seleção de atributos se comprovou como uma importante etapa no pré-processamento de dados, uma vez que houve melhoria em vários classificadores em todas as etapas do jogo.