Ансамблевый подход к прогнозированию утверждения кредитов с использованием методов машинного обучения

Краткое содержание

В этом исследовании разрабатывается модель ансамбля стекирования, объединяющая XGBoost, CatBoost (модель градиентного бустинга), LightGBM (эффективная модель градиентного бустинга), AdaBoost и дополнительные деревья для прогнозирования одобрения кредитов с использованием данных Kaggle. Достигая 98% точности, он определяет ключевые предикторы, такие как доход и кредитный рейтинг, способствуя справедливым и эффективным решениям об одобрении и/или отказе в кредите.

Аннотация

Цифровое кредитование и инновации в области финтеха перевернули устоявшиеся банковские системы, изменив финансовую доступность и доступность кредитов в странах по всему миру. В этом исследовании рассматривается, как меняются одноранговые (P2P) и цифровые платформы кредитования, подчеркивая, как такие технологии, как искусственный интеллект и машинное обучение, меняют способ утверждения кредитов. Тщательное изучение литературы выявляет возможности и проблемы в экосистеме цифрового кредитования, такие как алгоритмическая оценка рисков, доверие клиентов, финансовая изоляция и лазейки в регулировании. В этом документе предлагается эффективный подход к машинному обучению, который использует модель ансамбля накопления для точного прогнозирования одобрения кредитов с целью решения этих проблем. Данные были предварительно обработаны с использованием тестового разбиения, исследовательского анализа и кодирования меток с использованием общедоступного набора данных Kaggle, который включал демографические данные заявителей, финансовые характеристики и кредитные истории. Поскольку XGBoost выступает в качестве мета-ученика, ансамбль включает в себя классификаторы Gradient Boosting Model, Efficient Gradient Boosting, AdaBoost и Extra Trees в качестве базовых учеников. С точностью до 98% модель оценивалась с использованием таких показателей, как точность, полнота, полнота, оценка F1 и метрики ошибок (MAE - средняя абсолютная ошибка, MSE - средняя квадратичная ошибка и RMSE - корневая среднеквадратичная ошибка). Согласно корреляционным исследованиям, такие факторы, как активы, доход и баллы CIBIL, оказывают значительное влияние на одобрение кредитов. Превосходя традиционные методы, модель показала баланс и обобщение по обоим классам. Полезность этих моделей для автоматизированного определения кредитов на основе данных подчеркивается в заключении статьи.

Введение

На последнем этапе технологической трансформации банковской отрасли на рынок вышли новые поставщики финансовых услуг, не входящие в существующую банковскую систему¹. BigTech (крупные технологические компании, которые в основном сосредоточены на кредитовании напрямую или с финансовыми учреждениями) и FinTech (финансовые технологии, включая такие модели, как P2P-кредитование и онлайн-кредитование, альтернативное традиционным банкам) значительно вторгаются в финансовый сектор, бросая вызов традиционному банковскому делу, несмотря на усилия банков адаптироваться к цифровому ландшафту². Эта б....

Протокол

Сбор данных

В этом исследовании использовался набор данных для прогнозирования одобрения кредитов, доступный на Kaggle. Набор данных был извлечен в феврале 2025 года и состоит из 4269 записей, направленных на оценку данных о кредитах и прогнозирование результатов одобрения кредитов. Он состоит из 12 столбцов, содержащих подробную информацию о демографических профилях заявителей, таких как статус занятости, иждивенцы, самозанятые, сумма кредита, срок кредита, баллы CIBIL, финансовое положение и специфические характеристики кредита. Набор данных был импортирован с помощью библиотеки Pandas и визуально проверен с помощью df.head....

Результаты

Анализ корреляции признаков

Тепловая карта корреляции признаков (рисунок 2) предоставила полезную информацию о взаимосвязях между различными атрибутами. Была обнаружена сильная положительная корреляция между доходом, годовой суммой кредита и переменными, связанными с активами, такими как стоимость активов класса люкс и стоимость банковских активов, что свидетельству.......

Обсуждение

Модель ансамбля накопления для прогнозирования утверждения кредитов показывает исключительно хорошие результаты по различным метрикам оценки, демонстрируя высокую точность и надежность. Тепловая карта корреляций показала, что финансовые показатели, такие как годовой доход, сумма кредита и стоимость активов, сильно взаимосвязаны, что подчеркивает их важность в развитии кредита, в то время как баллы CIBIL имеют сильную отрицательную корреляцию со статусом кредита, усиливая их роль в оценке.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Каггл	https://www.kaggle.com/
Панды	https://pandas.pydata.org/
Библиотека моделей	IBM	https://www.ibm.com