Explainability and business sense in machine learning models for credit risk assesment
El cambiante panorama de la modelización del riesgo de crédito, debido al avance tecnológico y la proliferante generación de plataformas con alternativas de financiación, alternas alas instituciones tradicionales, ha planteado cuestiones críticas en relación con la eficacia del aprendizaje automátic...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/112123 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/112123 |
| Access Level: | acceso abierto |
| Palabra clave: | 004.85(043.2) Aprendizaje automático (Inteligencia artificial) Machine Learning Inteligencia artificial (Informática) 1203.04 Inteligencia Artificial |
| Sumario: | El cambiante panorama de la modelización del riesgo de crédito, debido al avance tecnológico y la proliferante generación de plataformas con alternativas de financiación, alternas alas instituciones tradicionales, ha planteado cuestiones críticas en relación con la eficacia del aprendizaje automático para satisfacer las exigencias de los reguladores y de los usuarios, en particular en el mercado de préstamos P2P. En este contexto, se abordan algunos vacíos identificados en la literatura en relación con la modelización, su aplicabilidad orientada al negocio y la interpretabilidad de los resultados del aprendizaje automático. Proponemos estrategias alternativas de modelización, flujos de trabajo, incorporando predictibilidad sentido de negocio y explicabilidad. Se demuestra que este enfoque no sólo mejora la precisión de las predicciones frente a alternativas tradicionales, sino que permite identificar las variables determinantes, y a su vez, perfiles de riesgo o segmentos de mayor rentabilidad... |
|---|