Neciosup Obando, Aurora RosaCabanillas Romero, Julio César3/21/20233/21/20232022https://hdl.handle.net/20.500.14414/16149The purpose of this research was to determine and compare the effectiveness of the Machine _x000D_ Learning models applied to the credit risk of Coopac San José Cartavio. The research is of _x000D_ an applied type, cross-sectional. The sample consisted of 4,469 records of non-revolving _x000D_ consumer loans granted in the period January 2019 - September 2021. Five supervised _x000D_ classification models applied in the financial field were drawn, which are: Logistic _x000D_ Regression, Support Vector Machine, Decision Trees, Random Forest and Artificial Neural _x000D_ Networks, which were developed in the Anaconda Jupiter – Python 3 software. The Holdout _x000D_ methodology was applied to divide the data (training and test). For validation, cross validation tables were used for each of the models studied, determining their weight (WoE) _x000D_ and predictive power of the variables (IV). For the contrast of the models found, the _x000D_ classification and ROC metrics were obtained. Obtaining that the Decision Tree model better _x000D_ predicts credit risk compared to the others, obtaining an accuracy of 79.98%, a sensitivity of _x000D_ 73.96% and ROC of 81.94%Esta investigación tuvo como propósito determinar y comparar la eficacia de los modelos _x000D_ Machine Learning aplicado en el riesgo crediticio de la Coopac San José Cartavio. La _x000D_ investigación es de tipo aplicada, corte transversal. La muestra estuvo constituida por 4,469 _x000D_ registros de créditos de consumo no-revolvente otorgados en el periodo enero 2019 –_x000D_ septiembre 2021. Se utilizó cinco modelos supervisados de clasificación aplicados en ámbito _x000D_ financiero, los cuales son: Regresión Logística, Support Vector Machine, Árboles de _x000D_ Decisión, Random Forest y Redes Neuronales Artificiales los cuales fueron desarrollados en _x000D_ el software Anaconda Jupiter – Python 3. Se aplicó la metodología de Holdout para la _x000D_ división de los datos (training y test). Para la validación se utilizó las tablas de validación _x000D_ cruzada para cada uno de los modelos estudiados, determinando su peso (WoE) y poder _x000D_ predictivo de las variables (IV). Para la contrastación de los modelos hallados se utilizó las _x000D_ métricas de clasificación y ROC. Obteniendo que el modelo Árbol de decisión pronostica _x000D_ mejor el riesgo crediticio en comparación con los demás, obteniendo una exactitud de _x000D_ 79.98%, una sensibilidad de 73.96% y ROC de 81.94%spainfo:eu-repo/semantics/openAccessMachine LearningSupport Vector MachineRandom ForestWeigh of Evidence (WoE)Infomation Value (IV)ROCinfo:eu-repo/semantics/bachelorThesis