Aditya Wanjale / Kirti Wanjale
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skuteczność danychtransakcyjnych w przewidywaniu ryzyka kredytowego, porównując wydajność dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocenę zdolności predykcyjnych, możliwości interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niespłaconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostały poddane rygorystycznemu przetwarzaniu wstępnemu i inżynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostały intensywnie wytrenowane i ocenione przy użyciu ustalonych wskaźników, obejmujących dokładność, precyzję, wycofanie, wynik F1, aby kompleksowo ocenić ich skuteczność w przewidywaniu niespłacenia kredytu. Wyniki wskazują na różne mocne strony modeli: regresja logistyczna wykazuje godną pochwały interpretowalność przy jednoczesnym osiągnięciu konkurencyjnych wskaźników wydajności, podczas gdy sieć neuronowa feed-forward wykazuje wyższą dokładność predykcyjną, aczkolwiek przy zwiększonej złożoności i zmniejszonej interpretowalności.