El objetivo del presente estudio es identificar los algoritmos de Machine Learning más utilizados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano. Se analizaron cuatro investigaciones que implementaron diferentes algoritmos, tales como Árbol de Decisión, Support Vector Machine (SVM), Random Forest, Redes Neuronales, Naive Bayes, K Nearest Neighbor (KNN) y Regresión Logística, en entidades financieras y microfinancieras. La metodología incluyó la revisión bibliográfica y la webgrafía. Los resultados mostraron que el Árbol de Decisión y el SVM fueron los algoritmos más utilizados. Por su parte, las Redes Neuronales y otros algoritmos también tuvieron un rendimiento aceptable pero no superaron a los algoritmos anteriores. Las conclusiones señalan que, siendo el Árbol de Decisión y SVM las opciones más efectivas para predecir incumplimientos de pagos y gestionar el riesgo crediticio, la elección del modelo optimo puede depender de las características específicas de los datos y sobre todo los objetivos de cada institución financiera.
📖 افتح في inklap 🔗 DOI 📮 اطلب بحثاً