Biblioteca Central de la Universidad Nacional del Santa

RESUMEN La presente investigación tuvo como objetivo determinar que los modelos de aprendizaje de máquina evalúan eficazmente el riesgo crediticio de personas naturales de una institución financiera de Chiclayo que el modelo clásico de credit scoring estimado mediante la Regresión Logística. La investigación es de tipo descriptivo, explicativo y predictivo, para lo cual se trabajó con la metodología CRISP- DM. Para el desarrollo de la investigación se utilizaron los modelos de aprendizaje de maquina tales como, Árboles de Clasificación, Redes Neuronales, Maquinas de Soporte Vectorial y el modelo clásico de la Regresión Logística; la base de datos estuvo constituida por 2464 clientes, de los cuales se utilizó el 70% de la base para el entrenamiento y el 30% restante para la validación. Para la comparación de los modelos, se utilizó la Matriz de Confusión y la curva ROC, determinando que el mejor modelo de clasificación global en la etapa de entrenamiento fue la Redes Neuronales con un 81.10% y 82% en la etapa de validación; mientras que el mejor modelo de estimación del riesgo crediticio se obtuvo mediante el árbol de decisión para nuestros datos planteados con un 35.30% y 32,21% en las etapas de entrenamiento y validación respectivamente. Finalmente se concluyó que los modelos de aprendizaje de maquina evalúan mejor el riesgo crediticio que el modelo de enfoque paramétrico de la Regresión Logística para nuestros datos financieros. Palabra clave: Máquinas de Aprendizaje, Machine Learning, Regresión Logístico, Redes Neuronales Artificiales, Arboles de decisión.