Abordagem de conjunto de empilhamento para prever a aprovação de empréstimos usando técnicas de aprendizado de máquina

Summary

Este estudo desenvolve um modelo de conjunto de empilhamento integrando XGBoost, CatBoost (Gradient Boosting Model), LightGBM (Efficient Gradient Boosting Model), AdaBoost e Extra Trees para prever aprovações de empréstimos usando dados do Kaggle. Alcançando 98% de precisão, ele identifica os principais preditores, como renda e pontuação de crédito, promovendo decisões justas e eficientes sobre a aprovação e/ou rejeição de empréstimos.

Abstract

As inovações em empréstimos digitais e fintechs derrubaram os sistemas bancários estabelecidos, mudando a inclusão financeira e a disponibilidade de crédito em países ao redor do mundo. Este estudo examina como as plataformas de empréstimo peer-to-peer (P2P) e digital estão mudando, enfatizando como tecnologias como inteligência artificial e aprendizado de máquina estão mudando a forma como os empréstimos são aprovados. Um estudo minucioso da literatura destaca as oportunidades e problemas no ecossistema de empréstimos digitais, como avaliação de risco algorítmica, confiança do cliente, exclusão financeira e brechas regulatórias. Este artigo sugere uma forte abordagem de aprendizado de máquina que usa um modelo de conjunto de empilhamento para prever com precisão as aprovações de empréstimos a fim de resolver esses problemas. Os dados foram pré-processados usando particionamento de teste de treinamento, análise exploratória e codificação de rótulos usando um conjunto de dados Kaggle acessível publicamente que incluía dados demográficos, características financeiras e históricos de crédito dos candidatos. Com o XGBoost servindo como meta-aprendiz, o conjunto incorpora os classificadores Gradient Boosting Model, Efficient Gradient Boosting, AdaBoost e Extra Trees como aprendizes básicos. Com uma precisão de 98%, o modelo foi avaliado usando medidas que incluem exatidão, precisão, recall, pontuação F1 e métricas de erro (MAE- Erro Absoluto Médio, MSE- Erro Quadrático Médio e RMSE- Erro Quadrático Médio Raiz). De acordo com estudos de correlação, fatores como ativos, renda e pontuações CIBIL têm um impacto significativo nas aprovações de empréstimos. Superando os métodos convencionais, o modelo mostrou equilíbrio e generalização em ambas as classes. A utilidade desses modelos para determinações de crédito automatizadas e orientadas por dados é enfatizada na conclusão do artigo.

Introduction

Na última fase da transformação tecnológica do setor bancário, novos provedores de serviços financeiros disruptivos de fora do sistema bancário estabelecido entraram no mercado¹. As empresas BigTech (grandes empresas de tecnologia que se concentram principalmente em empréstimos diretamente ou com instituições financeiras) e FinTech (tecnologia financeira, incluindo modelos como empréstimos P2P e alternativas de crédito online aos bancos tradicionais) estão fazendo incursões substanciais no setor financeiro, representando um desafio para os bancos tradicionais, apesar dos esforços dos bancos para se adaptar ao cenário digital². Essa rápida evolução sinaliza uma mudança no ecossistema financeiro, onde os players não tradicionais estão cada vez mais remodelando a forma como os serviços financeiros são acessados e prestados³. O surgimento do empréstimo digital tem uma correlação negativa com o crédito bancário, sugerindo que, à medida que novos credores entram no mercado, os bancos tradicionais podem dar lugar ao crédito digital alternativo⁴. Essa transição foi catalisada ainda mais pela crise financeira global de 2008 (GFC), que reduziu drasticamente a confiança do cliente nos serviços financeiros e ajudou a impulsionar a expansão da tecnologia financeira ou empreendimentos Fintech⁵. Fintech é o termo para a combinação de tecnologia e finanças, que se refere à aplicação da tecnologia para fornecer soluções financeiras⁶. À medida que a Fintech amadureceu, uma de suas aplicações mais transformadoras foi vista na ascensão dos empréstimos P2P, também conhecidos como serviços de empréstimo online⁷. A principal inovação dos empréstimos P2P é a correspondência direta de credores e mutuários. Os mutuários enviam pedidos de empréstimos pequenos e não garantidos, e as plataformas de empréstimo são usadas por vários investidores para avaliar e financiar solicitações de empréstimo⁸. O empréstimo P2P funciona de forma semelhante a um banco, mas usa a internet e a tecnologia de ponta para permitir empréstimos online e acordos de dívida ⁹. O sucesso e a escalabilidade desse modelo ficaram evidentes com o lançamento do ZOPA.com, a primeira plataforma P2P da história, que estreou no Reino Unido em 2005. Desde então, os empréstimos online cresceram significativamente, atingindo mais de US$ 100 bilhões em 2015, e espera-se que atinjam mais de US$ 1 trilhão em 2025¹⁰. O empréstimo digital, particularmente nas economias emergentes, evoluiu ainda mais com a integração da Fintech¹¹. A integração da fintech no empréstimo digital aumenta a inclusão financeira, principalmente nos mercados emergentes. Pagamentos móveis e soluções blockchain permitem transações P2P e microcréditos, reduzindo as barreiras aos serviços financeiros¹². Essa mudança de paradigma é impulsionada pela incorporação de tecnologias como blockchain, inteligência artificial (IA), aprendizado de máquina e sistemas de pagamento digital para criar um ambiente financeiro mais inclusivo, eficiente e centrado no cliente¹³. As plataformas de empréstimo digital usam a tecnologia para agilizar os pedidos, economizar despesas e aprimorar a avaliação do risco de crédito, permitindo que pequenas empresas e indivíduos recebam financiamento mais rapidamente¹⁴. Eles usam big data, blockchain, IA e aprendizado de máquina para melhorar a avaliação do mutuário, reduzir custos e promover a inclusão financeira¹⁵. O aprendizado de máquina, em particular, revolucionou o gerenciamento de riscos, aproveitando fontes de dados alternativas¹⁶. Ele supera as abordagens tradicionais de avaliação de crédito, aproveitando dados não tradicionais, aprimorando as classificações dos mutuários e prevendo desenvolvimentos econômicos¹⁷. Esse método reduz o risco de inadimplência, aumentando a precisão das avaliações dos mutuários e auxiliando na previsão de mudanças na economia¹⁸. Um dos efeitos mais importantes do empréstimo digital é sua capacidade de lidar com as dificuldades de inclusão financeira, particularmente em economias emergentes e áreas marginalizadas¹⁹.

A fim de prever a aceitação de empréstimos com alta precisão usando um conjunto de dados Kaggle estruturado, este artigo propõe um novo modelo de conjunto de empilhamento que combina o Modelo de Aumento de Gradiente, o Modelo de Aumento de Gradiente Eficiente, o AdaBoost, as Árvores Extras e o XGBoost. Para melhorar a adaptabilidade preditiva e a generalização, este método combina vários alunos avançados com o XGBoost como um meta-classificador, em contraste com pesquisas anteriores que frequentemente usam modelos únicos ou classificadores convencionais. O modelo teve um bom desempenho nas classes de empréstimos aceitos e rejeitados, com uma impressionante taxa de precisão de 98%. Esse desenvolvimento metodológico fornece uma maneira praticável e expansível de automatizar as decisões de aprovação de empréstimos em ambientes de empréstimos digitais, particularmente no desenvolvimento de ecossistemas financeiros.

O objetivo desta pesquisa é criar um modelo de conjunto de empilhamento forte para empréstimos digitais que preveja com precisão a aceitação de empréstimos, combinando Gradient Boosting Model, Efficient Gradient Boosting Model, AdaBoost, Extra Trees e XGBoost. Além disso, procura examinar como variáveis demográficas e financeiras importantes (renda, valor do ativo e pontuação limitada do CIBIL-Credit Information Bureau (Índia)) afetam as escolhas de empréstimo, avaliar o desempenho do modelo de conjunto em comparação com modelos mais convencionais usando métricas de classificação e erro e enfatizar como as abordagens de conjunto podem aumentar a eficiência, generalização e justiça. O objetivo principal é analisar estatisticamente como os recursos do candidato influenciam a aprovação do empréstimo e avaliar o desempenho dos algoritmos de aprendizado de conjunto.

P2P e empréstimos digitais continuam a transformar o cenário financeiro globalmente, apresentando oportunidades e desafios.

O empréstimo digital está transformando rapidamente o cenário financeiro global, oferecendo uma alternativa ao sistema bancário tradicional²⁰. Essa perspectiva global ressalta como os contextos regionais moldam de forma única a maturidade dos empréstimos digitais. O empréstimo digital está em expansão, mas permanece tecnologicamente imaturo, enquanto a automação e a pontuação preditiva trazem eficiência, e as plataformas ainda dependem fortemente de sistemas de terceiros para verificações de antecedentes, o que limita a robustez²¹. Apesar de sua rápida expansão, a exclusão financeira continua sendo um grande problema globalmente, com cerca de 44% dos adultos nos países em desenvolvimento sem acesso a serviços financeiros formais, necessitando de reformas urgentes, melhor infraestrutura e iniciativas de alfabetização digital. Tais limitações também aparecem em outros destaques convergentes do setor, desafios contínuos no tratamento de dados e integração de sistemas²². À medida que a integração digital se aprofunda, as vulnerabilidades de segurança em todo o espaço Fintech estão aumentando. Para lidar com isso, uma estrutura focada na segurança foi proposta para proteger as transações digitais²³. Desenvolvimentos semelhantes são observados em outros mercados emergentes. No Quênia, embora os aplicativos de dinheiro móvel e empréstimo digital tenham melhorado o acesso financeiro, a privacidade dos dados continua sendo uma preocupação persistente e as regulamentações recentes têm impacto limitado, sugerindo que são necessários mecanismos de fiscalização mais fortes, auditorias formais e diretrizes claras de desenvolvimento²⁴. Isso reflete uma tendência mais ampla em que as estruturas regulatórias geralmente ficam atrás da inovação fintech. O cenário regulatório da fintech é diferente do banco tradicional. Por exemplo, a menos que os empréstimos sejam de alto risco, a aplicação da lei tem menos efeito sobre as taxas de juros na fintech²⁵. Especialmente, há uma forte necessidade de supervisão aprimorada, uso de análise de dados e atualizações regulatórias para conter o crescimento ilegal de fintechs e violações de privacidade²⁶. Além da regulamentação, o sucesso do empréstimo digital também depende da confiança, portanto, a confiança desempenha um papel crítico nas decisões de empréstimo. A confiança nos barreiros é mais influente do que nos intermediários²⁷.

Uma evolução paralela é visível no ecossistema de empréstimos digitais da Índia²⁸. O negócio de empréstimos digitais está se expandindo rapidamente, devido aos avanços nas fintechs, medidas regulatórias úteis implementadas pelo Reserve Bank of India (RBI) e um aumento na confiança do consumidor após o surto de COVID-19²⁹. No entanto, com a inovação vem o risco. Embora os aplicativos ou plataformas de empréstimo digital não licenciados melhorem o acesso, eles representam graves riscos para o consumidor, como assédio, altas taxas de juros e uso indevido de dados devido a regulamentações fracas. O fortalecimento da proteção e da responsabilidade do consumidor é, portanto, fundamental para promover a inclusão financeira responsável³⁰. Os perigos de inadimplência do mutuário e aplicativos fraudulentos são substanciais para empréstimos digitais; boas medidas de proteção ao consumidor não apenas protegem os consumidores, mas também influenciam positivamente o desempenho financeiro, pois a segurança e a transparência dos dados melhoram os indicadores de lucratividade, como retorno sobre ativos (ROA) e retorno sobre o patrimônio líquido (ROE)³¹. Globalmente, há uma ênfase considerável em melhorias operacionais, com maior ênfase no aprimoramento dos sistemas de originação de empréstimos, incentivando o uso de tecnologia móvel e desenvolvendo estratégias claras para atender aos padrões regulatórios e às expectativas dos consumidores³². Para lidar com esses riscos, análises avançadas e IA estão sendo cada vez mais empregadas para prever credores de alto risco, a detecção de valores discrepantes usando indicadores como empréstimos fracassados, duração do pagamento e pontuação de crédito provou ser eficaz³³. Usando o modelo sociotécnico como guia, descobrimos que os riscos vêm tanto das partes interessadas quanto da falta de interdependências entre o design da plataforma e os componentes organizacionais³⁴. A adoção de modelos dinâmicos como o UTAUT2 domina na explicação da adoção do usuário, com a confiança emergindo como um preditor chave da intenção de empréstimo³⁵. Algoritmos de detecção de fraudes baseados em aprendizado de máquina, como modelos Random Forest e SVM, também são usados³⁶. De acordo com as descobertas do estudo, os modelos de aprendizado de máquina podem avaliar adequadamente as informações de crédito pessoal e determinar a probabilidade de inadimplência do empréstimo; A rede neural profunda teve melhor desempenho (precisão: 0,94)³⁷. O estudo, que usou Naïve Bayes com 94% de precisão, descobriu que características como taxa de juros, tempo de pagamento, descrição, grau de crédito, histórico de empréstimos, sexo e pontuação de crédito têm um impacto substancial no sucesso do empréstimo³⁸. Enquanto isso, existem probabilidades de riscos de pré-pagamento e inadimplência, ocorrências importantes que resultam em rescisão de empréstimos e perda de lucro para os credores foram previstas usando regressão logística multivariada e a precisão geral do modelo foi de 76,63%³⁹. De acordo com o estudo, a receita dos clubes de empréstimo pode ser aumentada com alta precisão de 68% utilizando um modelo eficiente de aumento de gradiente para prever o risco de inadimplência em plataformas de empréstimo digital⁴⁰. Simultaneamente, modelos de IA mais sofisticados estão evoluindo, como o aprendizado multivisualização profundo, que combina várias variáveis (como uso de aplicativos e padrões comportamentais) e tem um desempenho melhor do que as técnicas convencionais, principalmente em situações em que os dados históricos são limitados⁴¹. Estudos da China confirmam que a melhoria das previsões de inadimplência e inclusão financeira, com modelos como Gradient Boosting Model e LGBM superando as avaliações tradicionais baseadas em crédito⁴², a modelização dinâmica do sistema também ajuda a simular as flutuações das taxas de juro em plataformas P2P, oferecendo informações sobre o comportamento do investidor mutuário em várias condições⁴³. O modelo eficiente de aumento de gradiente demonstrou melhorar a previsão padrão e a lucratividade da plataforma⁴⁰, enquanto as redes neurais profundas também superam os modelos tradicionais quando o treinamento adequado³⁷e estabilizar os mercados digitais através de uma melhor gestão dos riscos⁴⁴para garantir a sustentabilidade, a tecnologia regulatória está ganhando força, como a Automação Robótica de Processos auxilia as instituições financeiras no alinhamento dos requisitos regulatórios com os planos de negócios, aumentando a conformidade e a eficiência operacional⁴⁵. Tabela 1 resume os principais estudos que exploram a aplicação do aprendizado de máquina em empréstimos digitais e processos de aprovação de empréstimos.

Protocol

Recolha de dados

Este estudo utilizou o conjunto de dados de previsão de aprovação de empréstimos disponível no Kaggle. O conjunto de dados foi extraído em fevereiro de 2025 e consiste em 4269 registros destinados a avaliar dados de empréstimos e prever resultados de aprovação de empréstimos. Inclui 12 colunas com informações detalhadas sobre os perfis demográficos dos candidatos, como situação de emprego, dependentes, autônomos, valor do empréstimo, prazo do empréstimo, pontuações CIBIL, histórico financeiro e atributos específicos do empréstimo. O conjunto de dados foi importado usando a biblioteca Pandas e inspecionado visualmente usando df.head () para entender sua estrutura e qualidade.

Pré-processamento de dados

Durante a fase de pré-processamento de dados, a primeira etapa envolveu a remoção da coluna identificadora (loan_id) devido à sua falta de valor preditivo e potencial para introduzir ruído no modelo. A segunda etapa envolveu a codificação de rótulos, onde variáveis categóricas como educação, autônomo e loan_status foram convertidas em representações numéricas. Essa transformação foi conduzida usando o Label Encoder do módulo sklearn.preprocessing. Especificamente, a educação foi codificada como 0 para Pós-Graduação e 1 para Não Pós-Graduação; self_employed como 0 para Não e 1 para Sim, e loan_status, a variável de destino, como 0 para Não Aprovado e 1 para Aprovado. Essas conversões foram necessárias para garantir a compatibilidade com modelos de aprendizado de máquina, que exigem entradas numéricas, principalmente para aplicativos de empréstimo digital. As feições foram separadas da variável alvo usando X=df.drop (["loan_status"], axis=1) e y=df ["loan_status]. Essa configuração forneceu uma base abrangente para examinar os fatores que influenciam as decisões de aprovação de empréstimos usando registros históricos de empréstimos para treinar vários modelos de aprendizado de máquina de conjunto. Esses modelos foram projetados para melhorar a precisão e a robustez geral, combinando as forças preditivas de vários classificadores.

O conjunto de dados processado foi então dividido em subconjuntos de treinamento e teste usando a função train_test_split do sklearn.model_selection, com 80% dos dados usados para treinamento e 20% reservados para teste. Isso garantiu que o modelo fosse treinado em uma parte suficientemente grande dos dados, mantendo uma amostra representativa para avaliação de desempenho. Com o conjunto de dados limpo, estruturado e explorado estatisticamente, foram lançadas as bases para a implementação de uma estrutura robusta de aprendizado de máquina destinada a melhorar a precisão preditiva na classificação de aprovação de empréstimos. O desenvolvimento do modelo foi conduzido usando quatro algoritmos de aprendizado de máquina baseados em conjunto: Gradient Boosting Model, AdaBoost, Efficient Gradient Boosting Model e Extra Trees Classifier. Estes foram selecionados por seu desempenho comprovado em tarefas de classificação envolvendo dados estruturados e tabulares. O Classificador de Modelo de Aumento de Gradiente, implementado a partir da biblioteca de Modelos de Aumento de Gradiente, foi instanciado com configurações padrão (iterações=1000, taxa de aprendizado=0,1, profundidade=6, detalhado=Falso). Foi treinado usando. fit (x_train, y_train) e avaliado com .predict (X_test). Embora o Modelo de Aumento de Gradiente lide automaticamente com a codificação de dados categórica, esse recurso não foi utilizado, pois os dados já haviam sido codificados por rótulo. O AdaBoost Classifier (Adaptive Boosting, que melhora os alunos fracos) foi implementado usando sklearn-ensemble. O AdaBoost Classifier foi configurado com n_estimators=100 e learning_rate=1,0, usando tocos de decisão como o estimador base padrão. Ele foi treinado e avaliado de maneira semelhante, contribuindo com robustez por meio da ponderação iterativa de instâncias classificadas incorretamente. O Efficient Gradient Boosting, implementado por meio da biblioteca Efficient Gradient Boosting Model (LGBMClassifier), foi configurado com n_estimators=100, learning_rate=0,1 e max_depth=-1 (profundidade de árvore irrestrita). Este modelo, conhecido por sua velocidade e eficiência, se destaca particularmente em grandes conjuntos de dados com recursos de alta dimensão usando árvores de decisão de aumento de gradiente otimizadas.

Finalmente, o classificador ExtraTrees de sklearn.ensemble foi usado com n_estimators=100 e criterion="gini" como estratégia de divisão. Ao contrário da Random Forest, as Árvores Extras introduzem mais aleatoriedade selecionando pontos de corte aleatoriamente, o que ajuda a reduzir a variação do modelo e melhorar a generalização. O conjunto foi conduzido usando o Stacking Classifier do scikit-learn, que aprimora a generalização agregando previsões dos alunos base. Cada modelo foi avaliado usando métricas de classificação padrão, incluindo exatidão, precisão, pontuação F1, análise de erro e matriz de confusão. Essas métricas foram calculadas usando funções do módulo sklearn.metrics para garantir a comparação de desempenho padronizada em todos os modelos.

O modelo de melhor desempenho (com base na precisão e na pontuação F1) foi salvo para implantação usando a biblioteca Python. dump(model, "best_model.pkl"), garantindo que o modelo treinado possa ser reutilizado sem a necessidade de retreinamento. Para simular um aplicativo do mundo real, uma matriz de entrada de amostra contendo 11 recursos foi criada usando NumPy e passada para a função .predict () do modelo. Por exemplo, o vetor de entrada [[0, 1, 1,4100000, 12200000, 8, 417, 2700000, 2200000, 8800000, 3300000]] retornou uma previsão de 1, indicando a aprovação do empréstimo. Toda a experimentação foi conduzida em um ambiente Python 3.10 usando o Google Notebook no Kaggle. O desenvolvimento e a avaliação do modelo foram realizados usando as bibliotecas scikit-learn (v1.3), Gradient Boosting Model e Efficient Gradient Boosting Model. Todos os hiperparâmetros foram documentados explicitamente e os padrões foram claramente declarados quando aplicável. Os procedimentos de codificação seguiram a abordagem descrita por Pedregosa e foram implementados no scikit-learn⁴⁶. Essa metodologia abrangente e transparente garante que o protocolo experimental seja totalmente reproduzível e siga rigorosos padrões acadêmicos na pesquisa de aprendizado de máquina.

A estrutura da metodologia sugerida, abrangendo a fase de preparação dos dados, a seção de recursos, o treinamento do modelo e a avaliação, são mostradas na Figura 1.

Esta pesquisa apresenta uma estrutura de aprendizado de conjunto de empilhamento que reúne os recursos de quatro classificadores poderosos: Gradient Boosting Model, AdaBoost, Efficient Gradient Boosting Model e Extra Trees para prever decisões de aprovação de empréstimos com base em registros financeiros históricos. Ao combinar estratégias de reforço e ensacamento dentro da arquitetura de modelo empilhado⁴⁶. A abordagem supera efetivamente as deficiências individuais desses modelos, como viés e variância, contribuindo para maior precisão de previsão e generalização do modelo. Cada aprendiz de base contribui com pontos fortes únicos O Modelo de Aumento de Gradiente é eficiente com variável categórica, é projetado para lidar com recursos categóricos de alta cordialidade e executa internamente a codificação de destino usando o aumento ordenado⁴⁷. Isso evita o ajuste excessivo, garantindo que apenas os dados anteriores sejam usados na computação de estatísticas. Na fórmula

,

Cada_{HT (} X) representa uma árvore de decisão treinada em resíduos do modelo anterior, e n_t denota a contribuição de aprendizado específica da etapa. AdaBoost ou Adaptive Boosting, ajusta o peso de cada instância durante o treinamento e se concentra em pontos de dados previamente classificados incorretamente⁴⁸. Na fórmula

α_t reflete o desempenho do t-ésimo aprendiz fraco h_t(x), colocando mais ênfase em amostras previamente classificadas incorretamente. Modelo eficiente de aumento de gradiente Incorpora amostragem unilateral baseada em gradiente (GOSS) e agrupamento de recursos exclusivos para desempenho mais rápido. O Gradient Boosting eficiente oferece alta velocidade e desempenho em dados em grande escala⁴⁹.

f_t(x_i) representa a nova árvore de decisão adicionada para minimizar a perda l(•) enquanto Ω(f_t) é um termo de regularização. Em algoritmos de aumento de contraste, as Árvores Extras reduzem a variância adicionando aleatoriedade nas divisões da árvore de decisão⁵⁰. Ele se baseia em princípios de ensacamento, mas injeta aleatoriedade extra durante a divisão do nó em sua regra de previsão

Calcula a média dos resultados de M árvores aleatórias treinadas independentemente. Para cada divisão, as árvores extras selecionam limites aleatórios para feições e escolhem o melhor entre eles, reduzindo assim a variação e oferecendo alta diversidade entre as árvores, o que melhora a generalização. Esses modelos são integrados coletivamente por meio de um classificador de empilhamento, que aprende a combinar de maneira ideal seus resultados para decidir se um empréstimo deve ser aprovado. A estrutura foi avaliada com métricas de classificação comuns e testada com amostras de entrada ao vivo, demonstrando sua relevância prática em ambientes de empréstimo digital⁵¹. Esses modelos são combinados coletivamente usando um classificador de empilhamento, que aprende a combinar seus resultados de maneira ideal para determinar os resultados de aceitação de empréstimos. O desempenho do modelo foi avaliado usando importantes medidas de classificação, como exatidão, precisão, recall, pontuação F1 e AUC-ROC, bem como uma matriz de confusão, para determinar sua capacidade de reduzir erros do Tipo I e do Tipo II. Para manter o equilíbrio da classe, foi utilizada uma divisão estratificada de teste de trem 80:20, com validação cruzada de 5 vezes, garantindo robustez e reduzindo a variabilidade da amostra. Além disso, o modelo foi avaliado em perfis realistas de solicitantes de empréstimos que incluíam informações como histórico de crédito, renda, situação de emprego e valor do empréstimo, produzindo julgamentos binários e classificações de probabilidade. Este teste de duas fases demonstra a eficácia, justiça e praticidade do modelo em contextos de empréstimos digitais em tempo real. A novidade deste trabalho reside no design de conjunto híbrido adaptado para pontuação de crédito, tornando-o um modelo robusto, interpretável e reprodutível para plataformas financeiras modernas⁵² .

Results

Análise de correlação de recursos

O mapa de calor de correlação de recursos (Figura 2) forneceu informações úteis sobre as inter-relações entre vários atributos. Fortes correlações positivas foram encontradas entre renda, valor anual do empréstimo e variáveis relacionadas a ativos, como valor de ativos de luxo e valor de ativos bancários, demonstrando que o perfil f...

Discussion

O modelo de conjunto de empilhamento para previsão de aprovação de empréstimos tem um desempenho excepcionalmente bom em várias métricas de avaliação, demonstrando grande precisão e confiabilidade. O mapa de calor das correlações revelou que indicadores financeiros como renda anual, valor do empréstimo e valores dos ativos estão fortemente inter-relacionados, enfatizando sua importância na evolução do empréstimo, enquanto as pontuações CIBIL têm uma forte correlação negativa com o status...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Kaggle	https://www.kaggle.com/
Pandas	https://pandas.pydata.org/
Biblioteca de modelos	IBM	https://www.ibm.com