Andere Kunden interessierten sich auch für
![Predicción del riesgo de crédito: Comparación de redes neuronales y SVM]( "Predicción del riesgo de crédito: Comparación de redes neuronales y SVM")
Predicción del riesgo de crédito: Comparación de redes neuronales y SVM29,99 €![Selección de modelos en regresión logística binaria, un enfoque clásico]( "Selección de modelos en regresión logística binaria, un enfoque clásico")
Selección de modelos en regresión logística binaria, un enfoque clásico23,99 €![Métodos Modernos de Series de Tiempo y sus Aplicaciones]( "Métodos Modernos de Series de Tiempo y sus Aplicaciones")
Métodos Modernos de Series de Tiempo y sus Aplicaciones39,99 €![Previsão do risco de empréstimo: Regressão Logística vs. Redes Neuronais]( "Previsão do risco de empréstimo: Regressão Logística vs. Redes Neuronais")
Previsão do risco de empréstimo: Regressão Logística vs. Redes Neuronais29,99 €![Control Estadístico de Procesos por Redes Neuronales Artificiales]( "Control Estadístico de Procesos por Redes Neuronales Artificiales")
Control Estadístico de Procesos por Redes Neuronales Artificiales32,99 €![La Función de Supervivencia y las Redes Neuronales Artificiales]( "La Función de Supervivencia y las Redes Neuronales Artificiales")
La Función de Supervivencia y las Redes Neuronales Artificiales19,99 €![Redes neuronales convolucionales]( "Redes neuronales convolucionales")
Redes neuronales convolucionales39,99 €
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.