|
Artigo - Trilha Principal Avaliação de Crédito de Empréstimos Pessoais usando Técnicas de Aprendizado de Máquina Autores: NASCIMENTO, P. S.; KOMATI, K. S.; ANDRADE, J. O. Resumo: Este trabalho consiste na proposta de uma arquitetura e de uma comparação de algoritmos de regressão para análise de propostas de empréstimo pessoal utilizando técnicas de aprendizado de máquina. O estudo de caso deste trabalho versa sobre os dados de uma financeira que possui uma base de dados histórica de análises de crédito, formada pelas informações de perfil do cliente, seu dados de relacionamento com a financeira e os dados da proposta de empréstimo. É importante que a arquitetura proposta atinja os seguintes objetivos: diminua o custo associado ao acesso aos dados de órgãos de proteção ao crédito, melhore a acurácia comparada ao processo existente, permita que a equipe de TI mantenha uma variável de controle sobre a aprovação ou não da proposta e que mantenha os empregos dos colaboradores. Para atender a todos estes requisitos, há duas etapas de análise, uma sem os dados de órgãos de proteção ao crédito e uma segunda com este tipo de dado. A divisão em duas etapas é um diferencial desta proposta, outro diferencial é que serão usados modelos de regressão cujos resultados são convertidos em resultados discretos via comparação com limiares de aprovação ou reprovação. Na primeira etapa, o resultado é "aprovado" quando estiver acima de um limiar de aprovação, "reprovado" quando estiver abaixo de um limiar de reprovação ou segue para a segunda etapa. O processo da segunda etapa é similar, mas os casos que não se enquadrem em aprovados ou reprovados seguem para análise manual. O trabalho compreende análise exploratória, pré-processamento dos dados, calibração, validação e testes em dois modelos de regressão: Floresta Aleatória e Mínimos Quadrados Parciais. Os resultados dos experimentos mostraram que a Floresta Aleatória apresentou resultados melhores que Mínimos Quadrados Parciais, e melhor que o sistema existente na financeira. Para esta configuração, a primeira etapa do processo de classificação é capaz de classificar 86,56% das propostas sem intervenção manual, e na segunda etapa mais 4,04% também são classificadas automaticamente, além de atingir 97% de acurácia ao final da segunda etapa. Palavras chave: Análise de Crédito, Aprendizado de Máquina, Floresta Aleatória, Mínimos Quadrados Parciais. Artigo completo (em português) Referência completa: Nascimento, P. S.; Komati, K. S.; Andrade, J. O.; "Avaliação de Crédito de Empréstimos Pessoais usando Técnicas de Aprendizado de Máquina", Revista de Sistemas de Informação da FSMA n 25(2020) pp. 28-41 |