¿Quieres conocer cómo el Machine Learning puede ayudar a predecir el incumplimiento crediticio de un banco por medio de modelos de Black Box?
Descubre ejemplos reales de analítica aplicada de la mano de nuestros alumnos y cómo Máxima Formación les ha ayudado en este proceso.
En el post de hoy, te enseñamos el TFM del Máster de Machine Learning de Macarena del Pino, Senior Consultant en Deloitte Chile, lidera proyectos de Riesgo Financiero, contemplando el modelado y validación de Riesgo Crédito, Riesgo de Mercado, Model Risk Management, Stress Test, bajo normativa Chilena y estándar internacional IFRS9. Macarena tiene 13 años de Experiencia profesional en industrias tales como Banca, Telecomunicaciones, Farmacia y Consultoría.
En su TFM Macarena nos muestra cómo los modelos de Black Box mejoran los resultados de los algoritmos tradicionales en problemas de Credit Score cómo interpretar los resultados por medio de la metodología LIMEy, además, nos explica .
El objetivo de Macarena fue encontrar un modelo de Credit Score con Machine Learning (modelos de caja negra) que mejore el desempeño respecto del uso de metodologías clásicas, pudiendo realizar la interpretación de los atributos que determinan el incumplimiento crediticio.
En Chile existe una _limitación normativa[1]LIME_entidad financiera chilenaRegresión Logística, Regresión Lasso y Árboles de clasificación, además de otras metodologías de caja negra, como XGboost, Random Forest y Neural NetworksR Softwaremétricas AUC y KSel uso de modelos de caja negra obtuvieron mejores resultados en todas sus métricas para el uso de modelos de Machine Learning en problemas de credit score. Estos modelos suelen mejorar el rendimiento en la clasificación de clientes u operaciones, pero no permiten conocer los atributos que influyen en el incumplimiento crediticio.Para el modelado, y a través del análisis de una base de una , ha utilizado metodologías de Machine learning de fácil interpretación, tal como la , con distintas configuraciones para los hiperparámetros y por medio de , utilizando para la evaluación y comparación, las . El resultado indicó que , por lo que el desafío fue poder realizar la interpretación de parámetros. Para ello, se utilizó la metodología ("local interpretable model-agnostic explanations"modelos sustitutos, por su sigla en inglés), la cual corresponde a un tipo de que se entrenan para aproximarse a las predicciones de un modelo de caja negra subyacente [ https://christophm.github.io/interpretable-ml-book/], con el objeto de explicar predicciones individuales por medio de visualizacionesromper el paradigma. Con la interpretación de parámetros se abre un espacio de en la utilización de Modelos de Machine Learning clásicos para resolver problemas de clasificación crediticia, dando paso a la utilización de modelos sofisticados, aumentando los niveles de discriminación, predicción e interpretación.
Quiero empezar el "Máster en Machine Learning con R" hoy mismo
Como conclusión, Macarena pudo demostrar por medio de la interpretación local de algunos casos seleccionados aleatoriamente, llegando a la misma clasificación real de los clientes y obteniendo resultados con una buena estimación, logrando responder la pregunta de investigación.
El TFM es una oportunidad excelente para demostrar que cuentas con habilidades avanzadas en adquisición, preparación, visualización, programación, modelado, evaluación e interpretación de datos para resolver problemas de Machine Learning con aplicación a cualquier rama de conocimiento.
Y si te gustó conocer este emprendimiento, comenta y comparte la publicación. ¡Nos encantaría conocer tu opinión!
Puedes descargar el TFM de Macarena del Pilar Pino debajo.
Artículo escrito por Nacho García.
[1] En Chile, la Comisión para Mercado Financiero establece que, para la estimación del incumplimiento crediticio, "Cada calificación dentro de una escala de riesgo se define mediante una descripción detallada de los criterios y atributos utilizados para encasillar a los deudores. Esos criterios o atributos explican la discriminación de riesgo contenida en cada calificación." (CMF, 2019, Capítulo B-1, Anexo N°1, Hoja 3) [https://www.cmfchile.cl/portal/principal/613/articles-29177_doc_pdf.pdf].
Descubre nuestros cursos sobre ML:
Puedes descargar el TFM de Macarena Pino debajo.
