Prédiction et analyse du comportement de défaut de prêt financier basé sur un modèle d'apprentissage automatique

Ces dernières années, l'augmentation du risque de prêt des clients et l'aggravation de l'épidémie ont conduit à une augmentation du risque de défaut des clients. Par conséquent, l'identification des clients à haut risque est devenue un point de recherche important pour les banques. Le crédit du client est la norme pour évaluer le montant du prêt et le taux d'intérêt, et la capacité à identifier rapidement les informations des clients est devenue un point de recherche majeur. Basé sur le scénario d'application de crédit bancaire, cet article réalise l'extraction de fonction et le traitement des données pour les données de base des attributs des clients et les données de transaction téléchargées. Ensuite, un modèle de régression linéaire avec pénalité et un modèle de prédiction de réseau de neurones sont proposés pour améliorer la précision de l'évaluation de la faillite et atteindre une optimisation locale. De cette manière, la prévision et le contrôle des risques implicites du crédit client sont améliorés, et le risque de défaut des prêts bancaires est significativement réduit. Selon les caractéristiques des données d'échantillon collectées, l'algorithme de prédiction de régression linéaire à pénalité le plus approprié est sélectionné et l'analyse expérimentale est effectuée pour améliorer le niveau de gestion des risques des banques. Les résultats expérimentaux montrent que la régression logistique améliorée et le modèle de réseau de neurones ont des avantages évidents dans l'effet de prédiction pour les quatre modèles.