Wanjale, Kirti: Predicción del riesgo de crédito: Regresión logística frente a redes neuronales

La predicción del riesgo de los préstamos es crucial para que las instituciones financieras minimicen los riesgos de los préstamos. Este estudio investiga la eficacia de los datos de transacciones en la predicción del riesgo de préstamos, comparando el rendimiento de dos algoritmos populares: la regresión logística y las redes neuronales feed-forward . La investigación tiene como objetivo evaluar la capacidad de predicción, la interpretabilidad y la aplicabilidad práctica de estos modelos en la identificación de posibles impagos de préstamos basados en patrones transaccionales. Los datos transaccionales, adquiridos de Kaggle, se sometieron a un preprocesamiento riguroso y a una ingeniería de características adaptada a las características únicas de los registros de transacciones financieras. Ambos modelos se entrenaron y evaluaron de forma exhaustiva utilizando métricas establecidas, como la exactitud, la precisión, la recuperación y la puntuación F1, con el fin de medir de forma exhaustiva su rendimiento en la predicción de impagos de préstamos. Los resultados indican diferentes puntos fuertes entre los modelos: la regresión logística demuestra una interpretabilidad encomiable a la vez que logra métricas de rendimiento competitivas, mientras que la red neuronal feed-forward muestra una mayor exactitud predictiva, aunque con una mayor complejidad y una menor interpretabilidad.