Wanjale, Kirti: Przewidywanie ryzyka kredytowego: Regresja logistyczna a sieci neuronowe

Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skuteczno¿¿ danychtransakcyjnych w przewidywaniu ryzyka kredytowego, porównuj¿c wydajno¿¿ dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocen¿ zdolno¿ci predykcyjnych, mo¿liwo¿ci interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niesp¿aconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostäy poddane rygorystycznemu przetwarzaniu wst¿pnemu i in¿ynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostäy intensywnie wytrenowane i ocenione przy u¿yciu ustalonych wskäników, obejmuj¿cych dok¿adno¿¿, precyzj¿, wycofanie, wynik F1, aby kompleksowo oceni¿ ich skuteczno¿¿ w przewidywaniu niesp¿acenia kredytu. Wyniki wskazuj¿ na ró¿ne mocne strony modeli: regresja logistyczna wykazuje godn¿ pochwäy interpretowalno¿¿ przy jednoczesnym osi¿gni¿ciu konkurencyjnych wskäników wydajno¿ci, podczas gdy sie¿ neuronowa feed-forward wykazuje wy¿sz¿ dok¿adno¿¿ predykcyjn¿, aczkolwiek przy zwi¿kszonej z¿o¿ono¿ci i zmniejszonej interpretowalno¿ci.