Incorporación del Método de Clasificación CatBoost en Aplicaciones de Aprendizaje Automático para el Análisis de Smote y la Igualación de Datos de Bancarrota

En el contexto de la evaluación del riesgo financiero, la capacidad de predecir la bancarrota tiene una importancia considerable para asegurar la estabilidad de los sistemas económicos. Uno de los desafíos persistentes en este dominio específico son los conjuntos de datos desbalanceados, donde la frecuencia de casos que reflejan bancarrota es mucho menor en comparación con los casos que representan escenarios no bancarios. El objetivo de esta investigación es investigar el uso de la Técnica de Sobreamostrado de Minorías Sintéticas (SMOTE) en combinación con el algoritmo de clasificación CatBoost. El enfoque está en lograr la igualación de datos y mejorar la predicción de bancarrotas. El uso del algoritmo de la Técnica de Sobreamostrado de Minorías Sintéticas (SMOTE) en combinación con el algoritmo CatBoost aprovecha eficientemente las cualidades y beneficios distintivos que ofrece cada metodología. La Técnica de Sobreamostrado de Minorías Sintéticas (SMOTE) es una técnica diseñada para abordar el problema del desequilibrio de clases creando muestras sintéticas para la clase minoritaria. Esta estrategia social mejora la capacidad del modelo para recopilar y adquirir patrones de la clase que no está bien representada. El algoritmo CatBoost, que accede a habilidades de manejo de características categóricas con una metodología de potenciación eficiente, se utiliza para analizar el conjunto de datos ampliado y desarrollar un modelo de predicción robusto para la tarea de detección de bancarrotas. El objetivo principal de este estudio es emplear el clasificador Catboost con el fin de clasificar la detección de bancarrotas. La precisión se logrará mediante el uso del Análisis SMOTE, una técnica particularmente diseñada para abordar el problema de datos no balanceados. El estudio de investigación utilizará el informe de clasificación y la matriz de confusión como métricas de evaluación para evaluar el nivel de precisión anticipado del 97 por ciento. La investigación propuesta utilizará herramientas visuales para analizar y mostrar los resultados.