Biblioteca | WWW-ITESO | Instructivo envío TOG | Instructivo envío reportes PAP | Aviso de privacidad
    • Login
    View Item 
    •   DSpace Home
    • Departamento de Matemáticas y Física
    • DMAF - Trabajos de fin de Maestría en Ciencia de Datos
    • View Item
    •   DSpace Home
    • Departamento de Matemáticas y Física
    • DMAF - Trabajos de fin de Maestría en Ciencia de Datos
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Predicción de comportamiento crediticio

    Thumbnail
    View/Open
    Modelo predictivo de comportamiento crediticio- Aldo Villarreal.pdf (1.477Mb)
         flowpaper.book-view
    Date
    2023-09
    Author
    Villarreal-Palomino, Aldo E.
    Metadata
    Show full item record
    URI
    https://hdl.handle.net/11117/10463
    Description
    Este trabajo se centra en mejorar la evaluación del riesgo crediticio utilizando el conjunto de datos South German Credit. El objetivo principal es seleccionar el mejor modelo de clasificación entre Regresión Logística, Support Vector Machine (SVM), Árboles Aleatorios y Árboles de Decisión para predecir si un cliente es "bueno" o "malo" en términos de crédito. Los objetivos específicos del trabajo son describir el conjunto de datos, encontrar el mejor modelo de clasificación utilizando el Accuracy como métrica principal. En el desarrollo del trabajo, se realiza una descripción detallada del conjunto de datos, incluyendo su origen, tamaño, atributos y objetivo. También se justifica la elección de los cuatro modelos de clasificación mencionados y se describe brevemente cada uno de ellos. Se realiza un análisis de correlación para identificar las relaciones entre las variables del conjunto de datos y su influencia en el riesgo crediticio. Se destaca qué variables, como la duración del crédito, el monto del crédito, la edad del solicitante y la tasa de interés, tienen correlación con el riesgo crediticio. Se opta por utilizar todas las variables del conjunto de datos. Se resalta la importancia de la medida de Accuracy para evaluar el rendimiento de los modelos de clasificación en este problema y se presentan los resultados obtenidos en siete experimentos. Los principales cambios entre los experimentos fueron los tratamientos de las variables categóricas, utilizando principalmente LabelEncoder y OneHotEncoder para evitar una jerarquización falsa. Se presentan las Accuracy obtenidas para cada modelo en todos los experimentos y se selecciona el mejor de ellos. El mejor modelo fue el SVM con grid search para la afinación de los hiperparámetos, con lo cual se obtuvo un Accuracy de 83.92%.
    Collections
    • DMAF - Trabajos de fin de Maestría en Ciencia de Datos

    © ITESO, Universidad Jesuita de Guadalajara 2022

    Sistemas de Información de la Dirección de Información Académica, DIA
    Biblioteca "Dr. Jorge Villalobos Padilla, S.J."

    Contact Us | Send Feedback
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsBy Submit DateBy Document TypeThis CollectionBy Issue DateAuthorsTitlesSubjectsBy Submit DateBy Document Type

    My Account

    Login

    © ITESO, Universidad Jesuita de Guadalajara 2022

    Sistemas de Información de la Dirección de Información Académica, DIA
    Biblioteca "Dr. Jorge Villalobos Padilla, S.J."

    Contact Us | Send Feedback