Machine Learning aplicado a estudios de otorgamiento de créditos en presencia del desbalanceo de clases

Abstract
En el sector bancario, la toma de decisiones sobre la aprobación o rechazo de créditos es crucial para equilibrar la rentabilidad y la gestión de riesgos. Los modelos de Machine Learning (ML) son herramientas útiles en este proceso, aunque enfrentan desafíos como el desbalanceo de clases, que puede afectar la capacidad predictiva y sesgar los resultados hacia la clase dominante. Este trabajo de grado aborda el desbalanceo de clases en el otorgamiento de créditos utilizando modelos de ML aplicados a tres conjuntos de datos públicos de Kaggle con diferentes tasas de otorgamiento. Se evaluaron y compararon técnicas como Oversampling, Undersampling y SMOTE para mejorar la capacidad predictiva y reducir el sesgo, con el fin de optimizar la gestión de riesgos y aumentar la rentabilidad de las instituciones financieras.
Description
item.page.descriptioneng
In the banking sector, decision-making on credit approval or rejection is crucial to balance profitability and risk management. Machine Learning (ML) models are useful tools in this process, although they face challenges such as class imbalance, which can affect predictive capacity and bias results towards the dominant class. This degree work addresses class imbalance in credit granting using ML models applied to three public Kaggle data sets with different granting rates. Techniques such as Oversampling, Undersampling and SMOTE were evaluated and compared to improve predictive capacity and reduce bias, in order to optimize risk management and increase the profitability of financial institutions.
Keywords
Sector bancario, Otorgamiento de créditos, Machine Learning (ML), Desbalanceo de clases, Capacidad predictive, Oversampling, Undersampling, SMOTE (Synthetic Minority Over-sampling Technique), Kaggle Banking sector, Credit granting, Class imbalance, Predictive capacity, Kaggle
Citation