Arango Londoño, DavidMayor Cortés, Johan SebastiánPorras Casanova, Juan Pablo2024-06-102024-06-102023https://vitela.javerianacali.edu.co/handle/11522/2102El acceso al crédito en Colombia sigue siendo un desafío para una gran parte de la población desbancarizada. A pesar de los esfuerzos realizados para aumentar la inclusión financiera, muchas personas no pueden obtener préstamos debido a la falta de historial crediticio o a los requisitos exigidos por la banca tradicional. En este estudio, se plantea la pregunta de investigación de cómo generar un modelo alternativo de credit score utilizando machine learning para analizar perfiles de personas con ingresos indeterminados. Los objetivos del estudio son identificar variables representativas, construir un modelo utilizando el algoritmo RandomForest, comparar este modelo con los modelos tradicionales de regresión GLM, regresión logística y support vector machine, y evaluar la viabilidad de las colocaciones de crédito mediante simulaciones. La metodología incluye el uso de datos de la encuesta de demanda de inclusión financiera y el tratamiento de los datos utilizando en R. Los resultados muestran que se pueden obtener modelos alternativos de credit score utilizando variables categóricas y machine learning.56 p.application/pdfspaInclusión financieraMachine learninghttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2