| Título: | Aplicación y comparación de modelos de machine learning destinados a la puntuación del riesgo de crédito |
| Autores: | Alonso Pallarés, Álvaro |
| Tipo de documento: | texto impreso |
| Editorial: | Facultad de Estudios Estadísticos (UCM), 2019-09 |
| Dimensiones: | application/pdf |
| Nota general: | info:eu-repo/semantics/openAccess |
| Idiomas: | |
| Palabras clave: | Estado = Publicado , Materia = Ciencias: Informática , Materia = Ciencias: Estadística , Materia = Ciencias: Estadística: Investigación Comercial , Materia = Ciencias Sociales: Economía , Materia = Ciencias Sociales: Economía: Econometría , Materia = Ciencias Sociales: Economía: Mercados bursátiles y financieros , Tipo = Trabajo Fin de Máster |
| Resumen: |
En este trabajo de investigación se estudian y comparan modelos que se emplean actualmente en el ámbito del scoring, como son la regresión logística, junto con otros modelos de machine learning que también se podrían implementar como son las redes neuronales, el Support Vector Machine (SVM) y técnicas basadas en árboles como son Bagging, Random Forest y Gradient Boosting. Otros estudios ya han demostrado la superioridad en técnicas de clasificación de las redes neuronales frente a la regresión logística. En esta investigación queremos comprobar si logramos unos resultados acordes a estas otras investigaciones, sobre todo fijándonos en dos objetivos en particular. En primer lugar, encontrar el modelo que mejor resultados obtenga en función de su capacidad predictiva, y en segundo lugar, lograr encontrar, si existe, una diferencia significativa tanto en términos de predicción como en tiempos de ejecución a la hora de utilizar las habituales variables categóricas binarias frente a sus homólogas tipo WOE. Los resultados demuestran que el modelo que mejores resultados obtiene es el SVM; y que las diferencias en calidad de predicción no son tan relevantes entre variables binarias y de tipo WOE, mientras que el tiempo de ahorro en ejecución por parte de este segundo tipo de variables es del todo significativo |
| En línea: | https://eprints.ucm.es/57250/1/TFM%20Pallares.pdf |
Ejemplares
| Estado |
|---|
| ningún ejemplar |
