$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Digitale leningen en fintech-innovaties hebben gevestigde banksystemen op zijn kop gezet, waardoor financiële inclusie en beschikbaarheid van krediet in landen over de hele wereld zijn veranderd. Deze studie onderzoekt hoe peer-to-peer (P2P) en digitale leenplatforms veranderen, en benadrukt hoe technologieën zoals kunstmatige intelligentie en machine learning de manier veranderen waarop leningen worden goedgekeurd. Een grondige studie van de literatuur belicht de kansen en problemen in het ecosysteem van digitale kredietverlening, zoals algoritmische risicobeoordeling, klantvertrouwen, financiële uitsluiting en mazen in de regelgeving. Dit artikel stelt een sterke machine learning-benadering voor die gebruikmaakt van een stapelensemblemodel om de goedkeuring van leningen nauwkeurig te voorspellen om deze problemen aan te pakken. De gegevens werden voorbewerkt met behulp van train-test partitionering, verkennende analyse en labelcodering met behulp van een openbaar toegankelijke Kaggle-dataset die demografische gegevens, financiële kenmerken en kredietgeschiedenis van sollicitanten bevatte. Met XGBoost als meta-leerling, bevat het ensemble de classificaties Gradient Boosting, Efficient Gradient Boosting, AdaBoost en Extra Trees als basisleerlingen. Met een nauwkeurigheid van 98% werd het model beoordeeld aan de hand van metingen zoals nauwkeurigheid, precisie, herinnering, F1-score en foutmetrieken (MAE-Mean Absolute Error, MSE-Mean Squared Error en RMSE-Root Mean Square Error). Volgens correlatiestudies hebben factoren zoals activa, inkomen en CIBIL-scores een aanzienlijke invloed op de goedkeuring van leningen. Het model presteerde beter dan conventionele methoden en vertoonde evenwicht en generalisatie in beide klassen. Het nut van deze modellen voor geautomatiseerde, datagestuurde kredietbepalingen wordt benadrukt in de conclusie van het artikel.