Проблем банака и зајмодаваца се огледа у лошој процени корисника услуга, због чега су приморани да повећају стопу одбијања кредита. Како би се број ризичних кредита смањио потребно је развити машинско учење над постојећој бази и припремити га за будуће кориснике. На тај начин
се осигурава да клијенти који су способни за отплату не буду одбијени и дентификују се важне детерминанте које се користе за минимизирање стопе неплаћања. Рад садржи демографске факторе, податке о претходним зајмовима, као и историјске податке са бироа за запошљавање које утичу на враћање кредита. Подаци који су коришћени за експерименте и евалуацију прибављени су са платформе “Kaggle.com” и такмичења “L&T Vehicle Loan Default Prediction”. Над овим подацима је спроведено јавно надметање у циљу креирања најбољег модела. Скуп података
над којим се обавља анализа упоредив је са осталим моделима такмичара кроз упоредну анализу писану у „Python“ програмском језику. Тестирају се различити класификациони модели машинског учења у циљу добијања бољих резултата.
Илустрација преузета са стране 45 ауторовог текста.
Овај текст спада у тематске категорије:
