Ochoa Muñoz, Andrés FelipeGarcía Arboleda, Isabel CristinaGrijalba González, Daniel Felipe2024-07-292024-07-292024https://vitela.javerianacali.edu.co/handle/11522/3633En 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.110 p.application/pdfspaSector bancarioOtorgamiento de créditosMachine Learning (ML)Desbalanceo de clasesCapacidad predictiveOversamplingUndersamplingSMOTE (Synthetic Minority Over-sampling Technique)Kaggle Banking sectorCredit grantingClass imbalancePredictive capacityKagglehttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2