Zastosowanie technik uczenia maszynowego w klasyfikacji ryzyka pożyczkowego

Abstract

Ta praca miała na celu zbadanie, przeanalizowanie i zbudowanie algorytmu uczenia maszynowego, aby poprawnie określić, czy dana osoba, mając określone atrybuty, ma wysokie prawdopodobieństwo niespłacenia pożyczki. Tego typu model mógłby zostać wykorzystany do identyfikacji pewnych cech finansowych przyszłych pożyczkobiorców, którzy mogą mieć potencjał do niespłacania zobowiązań i nie spłaty pożyczki w wyznaczonym terminie. W pracy tej przyjrzano się najpopularniejszym narzędziom wykorzystanym w dziedzinie uczenia maszynowego do oceny ryzyka kredytowego. Pracując na zbiorze danych zawierającym flagowane informacje o pożyczkobiorcach, zaimplementowano klasyczne modele uczenia maszynowego – model SVM, regresji logistycznej, drzew decyzyjnych, lasów losowych oraz model XGBoost.