Proposta de um modelo ensemble para credit scoring / Proposal for an ensemble model for credit scoring
Os modelos de Credit Scoring foram desenvolvidos com a finalidade de identificar bons e maus pagadores de financiamentos, de acordo com dados cadastrais que definem seu perfil. Em se tratando de análise de crédito, será utilizado técnicas de aprendizado supervisionado, no qual o objetivo deste estu...
| Autores: | , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Brasil |
| Institución: | Instituto Superior de Educação Vera Cruz (VeraCruz) |
| Repositorio: | Revista Veras |
| Idioma: | portugués |
| OAI Identifier: | oai:ojs2.ojs.brazilianjournals.com.br:article/26094 |
| Acceso en línea: | https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/26094 |
| Access Level: | acceso abierto |
| Palabra clave: | Modelo Ensemble Credit score Machine Learning Aprendizado Estatístico. |
| Sumario: | Os modelos de Credit Scoring foram desenvolvidos com a finalidade de identificar bons e maus pagadores de financiamentos, de acordo com dados cadastrais que definem seu perfil. Em se tratando de análise de crédito, será utilizado técnicas de aprendizado supervisionado, no qual o objetivo deste estudo envolve a contrução de um modelo estatístico para classificar um cliente entre bom e mau pagador, tomando com base variáveis que descrevem o perfil do mesmo. Os dados de análise de crédito são de difícil acesso, para contornar esse problema foi utilizado a base de dados de acesso livre German Credit Data, adquiridos pelo site UC Irvine Machine Learning Repository. A metodologia adotada consiste em dividir o conjunto de dados em 80% para treinamento e 20% para teste. Destes 80%, retiram-se 10 amostras aleatórias com reposição de 70% (700 observações). Em cada amostra foi aplicado os classificadores: Naive Bayes, SVM, Regressão Logística, KNN e Árvore de decisão. Desta forma, depois de treinar os classificadores foram aplicados no conjunto de teste, e por sua vez, combinados por votos, gerando a classificação desejada para cada amostra, posteriormente, combinados por voto para gerar a classificação final. A metodologia proposta obteve resultados satisfatórios em comparação com os classificadores mais utilizados na literatura, incluindo métodos de combinação como Bagging, alcançando melhores desempenhos em acurácia e especificidade, e, com um dos menores erros para o falso positivo, ou seja, quando se classifica um cliente como bom sendo que na realidade é mal pagador. |
|---|