Artigo - Atena Editora

Artigo

Baixe agora

Livros

MODELOS PREDICTIVOS EN EL ANÁLISIS DE RIESGO CREDITICIO

El artículo explica la importancia de los modelos predictivos en el análisis de riesgo crediticio, destacando técnicas como regresión logística, árboles de decisión y Random Forest. Se ha identificado que estos modelos, aunque útiles, presentan limitaciones como la linealidad en regresión logística, sobreajuste en árboles de decisión y complejidad computacional en Random Forest. Además, su rendimiento se ve afectado por datos desbalanceados y variables categóricas. Como conclusión, se sugiere el uso de modelos avanzados como CatBoost, que superan estas limitaciones al manejar variables categóricas de manera eficiente, reducir el sobreajuste y mejorar la interpretabilidad, ofreciendo así una solución más robusta para la predicción de riesgo crediticio.
Ler mais

MODELOS PREDICTIVOS EN EL ANÁLISIS DE RIESGO CREDITICIO

  • DOI: https://doi.org/10.22533/at.ed.876122508041

  • Palavras-chave: Modelos predictivos, Riesgo crediticio, Aprendizaje automático

  • Keywords: Predictive models, Credit risk, Machine learning

  • Abstract: The article discusses the importance of predictive models in credit risk analysis, focusing on techniques such as logistic regression, decision trees, and Random Forest. It identifies key limitations, including linearity assumptions in logistic regression, overfitting in decision trees, and computational complexity in Random Forest. Additionally, these models struggle with imbalanced data and categorical variables. The conclusion recommends advanced approaches like CatBoost, which efficiently handles categorical features, reduces overfitting, and improves interpretability, offering a more robust solution for credit risk prediction.

  • Carlos Alberto Peña Miranda
  • Jesus Adalberto Zelaya Contreras
  • Elizabeth Cosi Cruz
Fale conosco Whatsapp