National and Kapodistrian University of Athens
Πρόβλεψη της αποπληρωμής δανείου με χρήση μεθόδων μηχανικής μάθησης
Abstract
dc:descriptionΗ παρούσα διπλωματική εργασία εξετάζει την εφαρμογή μεθόδων μηχανικής μάθησης για την πρόβλεψη της έγκρισης αιτήσεων δανείων, με στόχο τόσο την αξιολόγηση της ακρίβειας όσο και την κατανόηση των παραγόντων που καθορίζουν την τελική απόφαση. Για την ανάλυση χρησιμοποιήθηκε το Loan Prediction Dataset του Kaggle, το οποίο περιλαμβάνει 614 παρατηρήσεις και 13 μεταβλητές που συνδυάζουν δημογραφικά και οικονομικά χαρακτηριστικά των αιτούντων. Η μεθοδολογία στηρίχθηκε σε δύο διαφορετικές προσεγγίσεις: τη Λογιστική Παλινδρόμηση, που αποτελεί το κλασικό στατιστικό υπόδειγμα για δυαδικές εξαρτημένες μεταβλητές, και το Random Forest, έναν σύγχρονο αλγόριθμο ensemble learning που έχει αποδειχθεί ιδιαίτερα αποτελεσματικός σε προβλήματα ταξινόμησης. Η προεπεξεργασία περιλάμβανε χειρισμό ελλειπουσών τιμών με τεχνικές imputation, κωδικοποίηση κατηγορικών μεταβλητών μέσω one-hot encoding και στρωματοποιημένη δειγματοληψία για τη δημιουργία υποσυνόλων εκπαίδευσης και ελέγχου. Τα αποτελέσματα έδειξαν ότι και τα δύο μοντέλα επιτυγχάνουν ικανοποιητικές επιδόσεις. Η Λογιστική Παλινδρόμηση πέτυχε Accuracy 79,2% και Recall 100%, διασφαλίζοντας ότι όλες οι θετικές περιπτώσεις αναγνωρίζονται, αλλά με υψηλότερο αριθμό ψευδώς θετικών. Το Random Forest, αν και εμφάνισε ελαφρώς χαμηλότερο Recall (97,2%), υπερείχε σε δείκτες διακριτικής ικανότητας (ROC-AUC ≈ 0,79, PR-AUC ≈ 0,89) και πέτυχε καλύτερη ισορροπία ανάμεσα σε ευαισθησία και ειδικότητα. Και στα δύο μοντέλα, η μεταβλητή credit_history αναδείχθηκε ως ο σημαντικότερος προγνωστικός δείκτης, με καθοριστική επίδραση στην πιθανότητα έγκρισης. Η συγκριτική αποτίμηση αναδεικνύει το κλασικό δίλημμα ερμηνευσιμότητας έναντι ακρίβειας. Η Λογιστική Παλινδρόμηση υπερέχει στη διαφάνεια και την κανονιστική αποδοχή, ενώ το Random Forest αποδεικνύεται πιο αποτελεσματικό ως ταξινομητής, χάρη στη μεγαλύτερη ικανότητα αποτύπωσης μη γραμμικών σχέσεων και αλληλεπιδράσεων. Συνολικά, η εργασία καταδεικνύει ότι η πρόβλεψη της έγκρισης δανείων είναι εφικτή και αξιόπιστη με τη χρήση μεθόδων μηχανικής μάθησης. Η πρακτική σημασία των αποτελεσμάτων έγκειται στο ότι τα χρηματοπιστωτικά ιδρύματα μπορούν να αξιοποιήσουν τέτοιου είδους μοντέλα για τη βελτίωση της διαδικασίας αξιολόγησης δανειοληπτών, επιτυγχάνοντας καλύτερη ισορροπία μεταξύ διαχείρισης κινδύνου και ενίσχυσης της πρόσβασης σε χρηματοδότηση.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΣΤΥΛΙΑΝΟΥ ΛΕΩΝΙΔΑΣ
- STYLIANOU LEONIDAS
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5312961