$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Les innovations en matière de prêts numériques et de technologie financière ont bouleversé les systèmes bancaires établis, modifiant l’inclusion financière et la disponibilité du crédit dans les pays du monde entier. Cette étude examine comment les plateformes de prêt entre pairs (P2P) et numériques évoluent, en mettant l’accent sur la façon dont des technologies telles que l’intelligence artificielle et l’apprentissage automatique modifient la façon dont les prêts sont approuvés. Une étude approfondie de la littérature met en évidence les opportunités et les problèmes de l’écosystème des prêts numériques, tels que l’évaluation des risques algorithmiques, la confiance des clients, l’exclusion financière et les failles réglementaires. Cet article suggère une approche solide d’apprentissage automatique qui utilise un modèle d’ensemble d’empilement pour prévoir avec précision les approbations de prêts afin de résoudre ces problèmes. Les données ont été prétraitées à l’aide du partitionnement d’essai, de l’analyse exploratoire et de l’encodage des étiquettes à l’aide d’un ensemble de données Kaggle accessible au public qui comprenait les données démographiques des candidats, les caractéristiques financières et les antécédents de crédit. Avec XGBoost servant de méta-apprenant, l’ensemble intègre les classificateurs Gradient Boosting Model, Efficient Gradient Boosting, AdaBoost et Extra Trees en tant qu’apprenants de base. Avec une précision de 98 %, le modèle a été évalué à l’aide de mesures telles que l’exactitude, la précision, le rappel, le score F1 et les mesures d’erreur (MAE - Erreur absolue moyenne, MSE - Erreur quadratique moyenne et RMSE - Erreur quadratique moyenne). Selon les études de corrélation, des facteurs tels que les actifs, les revenus et les scores CIBIL ont un impact significatif sur l’approbation des prêts. Surpassant les méthodes conventionnelles, le modèle a montré un équilibre et une généralisation entre les deux classes. L’utilité de ces modèles pour les déterminations de crédit automatisées et fondées sur les données est soulignée dans la conclusion de l’article.