Previsão do risco de empréstimo

A previs o do risco de cr dito crucial para as institui es financeiras minimizarem os riscos de cr dito. Este estudo investiga a efic cia dos dados de transac es na previs o do risco de empr stimos, comparando o desempenho de dois algoritmos populares: regress o log stica e redes neurais feed-forward. A investiga o visa avaliar as capacidades de previs o, a interpretabilidade e a aplicabilidade pr tica destes modelos na identifica o de potenciais incumprimentos de empr stimos com base em padr es transaccionais. Os dados transaccionais, adquiridos no Kaggle, foram submetidos a um pr -processamento rigoroso e a uma engenharia de carater sticas adaptada s carater sticas nicas dos registos de transac es financeiras. Ambos os modelos foram extensivamente treinados e avaliados utilizando m tricas estabelecidas, abrangendo a exatid o, a precis o, a recorda o e a pontua o F1 para medir de forma abrangente o seu desempenho na previs o de incumprimentos de empr stimos. Os resultados indicam pontos fortes variados entre os modelos: a regress o log stica demonstra uma interpretabilidade louv vel, ao mesmo tempo que alcan a m tricas de desempenho competitivas, enquanto a rede neural feed-forward apresenta uma maior exatid o de previs o, embora com maior complexidade e menor interpretabilidade.