Predição de aprovação de empréstimos usando técnicas de aprendizado de máquina

Os empréstimos são a principal fonte de receita dos bancos, pois geram receita de juros a partir do crédito que concedem através de produtos de empréstimo. No entanto, os defaults nesses empréstimos podem impactar significativamente os lucros. Ao identificar mutuários propensos a defaults, os bancos podem mitigar riscos e reduzir empréstimos inadimplentes em seu portfólio. Isso torna o estudo desse fenômeno muito importante. Pesquisas anteriores mostraram que existem muitos métodos para estudar a predição de defaults em empréstimos, o que é essencial para maximizar lucros. No entanto, comparar a natureza e o desempenho de diferentes técnicas é crítico para a confiabilidade. O projeto foca em aproveitar técnicas de aprendizado de máquina para aprimorar a eficiência e a precisão dos processos de aprovação de empréstimos nas instituições financeiras. Analisando um conjunto de dados que compreende vários atributos de candidatos e dados históricos de empréstimos, modelos preditivos são desenvolvidos para avaliar a probabilidade de pagamento ou default do empréstimo. Este projeto se destacará ao usar múltiplas técnicas de engenharia de características, como Binning e Bucketing, Recursos Polinomiais e de Interação, para melhorar o conjunto de dados. Através de múltiplas engenharias de características, avaliações de modelos e técnicas de ensemble, o projeto visa fornecer uma solução abrangente para automatizar e otimizar decisões de aprovação de empréstimos. Palavras-chave: Aprovação de empréstimos, Aprendizado de Máquina.