النمذجة التنبؤية للموافقة على القروض: نهج تعلم الآلة

استكشاف أساليب تعلم الآلة لتعزيز فعالية ودقة الإجراءات المتعلقة بالموافقة على قروض البنوك. تشمل هذه الدراسة طرقًا متنوعة مثل الانحدار اللوجستي، أشجار القرار، الانحدار الخطي، بالإضافة إلى GaussianNB، Random Forest، وSVM. يتم استخدام مجموعة بيانات كبيرة تحتوي على طلبات قروض سابقة وخصائص متنوعة للمتقدمين مثل البيانات الديموغرافية، درجات الائتمان، مستويات الدخل، وتاريخ التوظيف. تهدف الأبحاث إلى تقييم استرجاع المعلومات، الدقة، الدقة المقارنة، ومعايير F1-score لمختلف الخوارزميات. بالإضافة إلى ذلك، فإنها تبحث في إمكانية تفسير وشفافية نماذج تعلم الآلة لتقديم مزيد من التبصر حول المتغيرات التي تؤثر على قرارات قبول القروض. تؤكد الدراسة على فعالية الانحدار اللوجستي، الذي تفوق على SVM (77%)، GaussianNB (78%)، غابات عشوائية (78%)، وأشجار القرار (69%)، محققًا أعلى دقة تبلغ 80% في الموافقة على القروض. من خلال تنفيذ هذا النموذج، يمكننا تحسين عمليات الموافقة على القروض المدفوعة بالذكاء الاصطناعي داخل صناعة البنوك، مما يعزز معايير اتخاذ القرار ويزيد من رضا العملاء. الكلمات المفتاحية— خوارزميات تعلم الآلة، الموافقة على القروض، الانحدار اللوجستي، شجرة القرار، الانحدار الخطي، GaussianNB، RandomForest، آلة الدعم الناقل (SVM)، اتخاذ القرار.