Bank Loan Prediction Using Machine Learning Techniques

要約

銀行は、消費者ローンや企業ローンを通じて、あらゆる金融エコシステムの経済発展にとって重要です。
ただし、融資にはリスクが伴います。
したがって、銀行は債務不履行の可能性を減らすために、申請者の財務状況を判断する必要があります。
そのため現在、多くの銀行がデータ分析と最先端のテクノロジーを導入して、プロセスにおいてより適切な意思決定を行っています。
回収の確率は、機械学習アルゴリズムが適用される予測モデリング手法によって規定されます。
この研究プロジェクトでは、ローン承認プロセスの精度と効率をさらに向上させるために、いくつかの機械学習手法を適用します。
私たちの仕事は銀行融資の承認の予測に焦点を当てています。
私たちは機械学習手法を使用して、148,670 のインスタンスと 37 の属性のデータセットに取り組みました。
ターゲット プロパティは、ローン申請を「承認」グループと「拒否」グループに分離します。
さまざまな機械学習技術、つまり、デシジョン ツリー分類、AdaBoosting、ランダム フォレスト分類器、SVM、および GaussianNB が使用されています。
その後、モデルがトレーニングされ、評価されました。
これらの中で、最もパフォーマンスの高いアルゴリズムは AdaBoosting で、99.99% という驚異的な精度を達成しました。
したがって、この結果は、アンサンブル学習がローン承認決定の予測スキルを向上させるためにどのように効果的に機能するかを示しています。
発表された研究は、機械学習を金融領域に適用するための有用な洞察を提供する、非常に正確で効率的なローン予測モデルを実現できる可能性を示しています。

要約(オリジナル)

Banks are important for the development of economies in any financial ecosystem through consumer and business loans. Lending, however, presents risks; thus, banks have to determine the applicant’s financial position to reduce the probabilities of default. A number of banks have currently, therefore, adopted data analytics and state-of-the-art technology to arrive at better decisions in the process. The probability of payback is prescribed by a predictive modeling technique in which machine learning algorithms are applied. In this research project, we will apply several machine learning methods to further improve the accuracy and efficiency of loan approval processes. Our work focuses on the prediction of bank loan approval; we have worked on a dataset of 148,670 instances and 37 attributes using machine learning methods. The target property segregates the loan applications into ‘Approved’ and ‘Denied’ groups. various machine learning techniques have been used, namely, Decision Tree Categorization, AdaBoosting, Random Forest Classifier, SVM, and GaussianNB. Following that, the models were trained and evaluated. Among these, the best-performing algorithm was AdaBoosting, which achieved an incredible accuracy of 99.99%. The results therefore show how ensemble learning works effectively to improve the prediction skills of loan approval decisions. The presented work points to the possibility of achieving extremely accurate and efficient loan prediction models that provide useful insights for applying machine learning to financial domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google