Prédiction du risque de prêt

La pr diction du risque de pr t est cruciale pour les institutions financi res afin de minimiser les risques de pr t. Cette tude examine l'efficacit des donn es transactionnelles dans la pr diction du risque de pr t, en comparant les performances de deux algorithmes populaires: la r gression logistique et les r seaux neuronaux feed-forward. La recherche vise valuer les capacit s pr dictives, l'interpr tabilit et l'applicabilit pratique de ces mod les dans l'identification des d fauts de paiement potentiels sur la base de mod les transactionnels. Les donn es transactionnelles, acquises sur Kaggle, ont subi un pr traitement rigoureux et une ing nierie des caract ristiques adapt e aux caract ristiques uniques des enregistrements de transactions financi res. Les deux mod les ont t largement entra n s et valu s l'aide de mesures tablies, englobant l'exactitude, la pr cision, le rappel et le score F1, afin d' valuer de mani re exhaustive leur performance dans la pr diction des d fauts de paiement. Les r sultats indiquent des forces vari es entre les mod les: la r gression logistique d montre une interpr tabilit louable tout en atteignant des mesures de performance comp titives, tandis que le r seau neuronal feed-forward pr sente une pr cision pr dictive plus lev e, mais avec une complexit accrue et une interpr tabilit r duite.