Regresion logistica v/s Arboles de desición en el riesgo crediticio.

Logistic regression v/s Decision trees in credit risk.

Resumen

El riesgo crediticio tiene que ver con la situación en la que un prestatario no cumpla con sus obligaciones de pago. La regresión lineal es una técnica estadística que permite modelar la relación entre una variable dependiente (como el riesgo crediticio) y una o más variables independientes (como los factores que afectan al prestatario).   En el contexto del riesgo crediticio, la regresión lineal puede utilizarse para analizar y predecir el nivel de riesgo asociado con un determinado prestatario. Se recopilan datos relevantes sobre el prestatario, como su historial crediticio, ingresos, nivel de endeudamiento, entre otros, y se utiliza la regresión lineal para identificar patrones y relaciones entre estas variables. Otra técnica son los árboles de decisión que son una técnica de modelado utilizada en el análisis de riesgo crediticio para tomar decisiones basadas en múltiples variables. Permiten evaluar patrones y relaciones entre las variables y ayudan a tomar decisiones para el otorgamiento de crédito. Los árboles de decisión son interpretables y proporcionan una comprensión clara del razonamiento detrás de las decisiones tomadas. En este escrito se evaluó la eficiencia que tienen los modelos de regresión logística contra árboles de decisión para poder predecir el riesgo crediticio, siendo regresión logística el que tuvo mayor eficiencia con el 0.93, mientras tanto arboles de decisión tuvo 0.83 de eficiencia a la hora de entrenar los dos modelos con el mismo número de muestras. El objetivo de este estudio fue comparar el rendimiento de dos algoritmos de aprendizaje supervisado, el Árbol de Decisión y la Regresión Logística, en la predicción de riesgo crediticio. La evaluación precisa del riesgo crediticio es fundamental para las instituciones financieras al otorgar préstamos y créditos, lo que ayuda a reducir el riesgo de incumplimiento y las pérdidas.