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...

ver descrição completa

Detalhes bibliográficos
Autor: Ariza Garzón, Miller Janny
Tipo de documento: tese
Data de publicação:2024
País:España
Recursos:Universidad Complutense de Madrid (UCM)
Repositório:Docta Complutense
Idioma:espanhol
OAI Identifier:oai:docta.ucm.es:20.500.14352/112123
Acesso em linha:https://hdl.handle.net/20.500.14352/112123
Access Level:Acceso aberto
Palavra-chave:004.85(043.2)
Aprendizaje automático (Inteligencia artificial)
Machine Learning
Inteligencia artificial (Informática)
1203.04 Inteligencia Artificial
id ES_884b90dcc1ca748ff3a87f6aca9162cd
oai_identifier_str oai:docta.ucm.es:20.500.14352/112123
network_acronym_str ES
network_name_str España
repository_id_str
spelling Explainability and business sense in machine learning models for credit risk assesmentExplicabilidad y sentido de negocio en modelos de aprendizaje automático para evaluación de riesgo de créditoAriza Garzón, Miller Janny004.85(043.2)Aprendizaje automático (Inteligencia artificial)Machine LearningInteligencia artificial (Informática)1203.04 Inteligencia ArtificialEl 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...Universidad Complutense de MadridArroyo Gallardo, JavierSegovia Vargas, María JesúsCamacho Miñano, Juana María Del MarUniversidad Complutense de Madrid20242024-12-0520242024-12-05doctoral thesishttp://purl.org/coar/resource_type/c_db06info:eu-repo/semantics/doctoralThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/112123reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/1121232026-06-02T12:44:21Z
dc.title.none.fl_str_mv Explainability and business sense in machine learning models for credit risk assesment
Explicabilidad y sentido de negocio en modelos de aprendizaje automático para evaluación de riesgo de crédito
title Explainability and business sense in machine learning models for credit risk assesment
spellingShingle Explainability and business sense in machine learning models for credit risk assesment
Ariza Garzón, Miller Janny
004.85(043.2)
Aprendizaje automático (Inteligencia artificial)
Machine Learning
Inteligencia artificial (Informática)
1203.04 Inteligencia Artificial
title_short Explainability and business sense in machine learning models for credit risk assesment
title_full Explainability and business sense in machine learning models for credit risk assesment
title_fullStr Explainability and business sense in machine learning models for credit risk assesment
title_full_unstemmed Explainability and business sense in machine learning models for credit risk assesment
title_sort Explainability and business sense in machine learning models for credit risk assesment
dc.creator.none.fl_str_mv Ariza Garzón, Miller Janny
author Ariza Garzón, Miller Janny
author_facet Ariza Garzón, Miller Janny
author_role author
dc.contributor.none.fl_str_mv Arroyo Gallardo, Javier
Segovia Vargas, María Jesús
Camacho Miñano, Juana María Del Mar
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 004.85(043.2)
Aprendizaje automático (Inteligencia artificial)
Machine Learning
Inteligencia artificial (Informática)
1203.04 Inteligencia Artificial
topic 004.85(043.2)
Aprendizaje automático (Inteligencia artificial)
Machine Learning
Inteligencia artificial (Informática)
1203.04 Inteligencia Artificial
description 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...
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-12-05
2024
2024-12-05
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/112123
url https://hdl.handle.net/20.500.14352/112123
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Complutense de Madrid
publisher.none.fl_str_mv Universidad Complutense de Madrid
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869412540421767168
score 15,812429

Registros relacionados