$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dijital kredilendirme ve fintech yenilikleri, dünyanın dört bir yanındaki ülkelerde finansal katılımı ve kredi kullanılabilirliğini değiştirerek yerleşik bankacılık sistemlerini alt üst etti. Bu çalışma, eşler arası (P2P) ve dijital kredi platformlarının nasıl değiştiğini inceliyor ve yapay zeka ve makine öğrenimi gibi teknolojilerin kredilerin onaylanma şeklini nasıl değiştirdiğini vurguluyor. Literatürün kapsamlı bir çalışması, dijital kredi ekosistemindeki algoritmik risk değerlendirmesi, müşteri güveni, finansal dışlanma ve düzenleyici boşluklar gibi fırsatları ve sorunları vurgulamaktadır. Bu makale, bu sorunları ele almak amacıyla kredi onaylarını doğru bir şekilde tahmin etmek için bir yığın topluluğu modeli kullanan güçlü bir makine öğrenimi yaklaşımı önermektedir. Veriler, başvuru sahibinin demografik özelliklerini, finansal özelliklerini ve kredi geçmişlerini içeren, kamuya açık bir Kaggle veri kümesi kullanılarak tren testi bölümleme, keşif analizi ve etiket kodlaması kullanılarak önceden işlendi. XGBoost'un meta-öğrenici olarak hizmet vermesiyle topluluk, temel öğreniciler olarak Gradyan Artırma Modeli, Verimli Gradyan Artırma, AdaBoost ve Ekstra Ağaçlar sınıflandırıcılarını birleştirir. %98 doğrulukla model, doğruluk, kesinlik, geri çağırma, F1 puanı ve hata ölçümleri (MAE- Ortalama Mutlak Hata, MSE- Ortalama Kare Hatası ve RMSE- Ortalama Karekök Hatası) gibi ölçümler kullanılarak değerlendirildi. Korelasyon çalışmalarına göre varlıklar, gelir ve CIBIL puanları gibi faktörler kredi onayları üzerinde önemli bir etkiye sahiptir. Geleneksel yöntemlerden daha iyi performans gösteren model, her iki sınıfta da denge ve genelleme gösterdi. Bu modellerin otomatik, veriye dayalı kredi tespitleri için kullanışlılığı, makalenin sonuç bölümünde vurgulanmaktadır.