Avaliação de Risco de Crédito Usando uma Abordagem Combinada de Aprendizado Supervisionado e Não Supervisionado

Na indústria financeira, a pontuação de crédito é uma ferramenta crucial para avaliar o risco de crédito. O estudo tem como objetivo aprimorar a precisão e a confiabilidade da pontuação de crédito combinando métodos de aprendizado supervisionado e não supervisionado. Propomos um modelo integrado que combina Mapas Auto-Organizáveis (SOM) de Kohonen com o algoritmo de Random Forest para fornecer uma análise mais abrangente dos dados de usuários de cartão de crédito. Características-chave para o treinamento do modelo foram identificadas por meio de seleção e extração de características. Resultados experimentais mostram que o modelo integrado melhorou a AUC de 0,82 para 0,89, aumentou a satisfação dos usuários de uma pontuação de 3,8 para 4,35 e impulsionou as taxas de uso em 12,5%. Além disso, o modelo integrado melhorou significativamente a discriminação e a precisão de previsão do risco de crédito dos usuários. Esses achados indicam que a combinação de aprendizado não supervisionado com os Mapas Auto-Organizáveis de Kohonen e aprendizado supervisionado com Random Forest pode efetivamente melhorar a precisão da pontuação de crédito, proporcionando às instituições financeiras uma ferramenta mais confiável para a avaliação do risco de crédito.