Um sistema de motor de previsão de risco de crédito baseado em aprendizado de máquina usando um classificador empilhado e um método de seleção de características baseado em filtro

Resumo A previsão de risco de crédito é uma tarefa crucial para instituições financeiras. Os avanços tecnológicos em aprendizado de máquina, juntamente com a disponibilidade de dados e poder computacional, deram origem a mais modelos de previsão de risco de crédito em instituições financeiras. Neste artigo, propomos uma abordagem de classificador empilhado combinada com uma técnica de seleção de características (FS) baseada em filtro para alcançar uma previsão eficiente de risco de crédito usando múltiplos conjuntos de dados. O modelo empilhado proposto inclui os seguintes estimadores base: Random Forest (RF), Gradient Boosting (GB) e Extreme Gradient Boosting (XGB). Além disso, os estimadores na arquitetura empilhada foram vinculados sequencialmente para extrair o melhor desempenho. O método de FS baseado em filtro utilizado nesta pesquisa é baseado na teoria do ganho de informação (IG). O algoritmo proposto foi avaliado usando a acurácia, a F1-Score e a Área Sob a Curva (AUC). Além disso, o algoritmo empilhado foi comparado aos seguintes métodos: Rede Neural Artificial (ANN), Árvore de Decisão (DT) e k-Vizinho Mais Próximo (KNN). Os resultados experimentais mostram que o modelo empilhado obteve AUCs de 0.934, 0.944 e 0.870 nos conjuntos de dados australiano, alemão e taiwanês, respectivamente. Esses resultados, juntamente com as métricas de acurácia e F1-score, demonstraram que o classificador empilhado proposto supera os estimadores individuais e outros métodos existentes.