Explainable machine learning models for credit scoring

Abstract

In this thesis we will test many different machine learning models for credit scoring. Credit scoring is the technique used to predict the probability of default for a client that wants to take a loan and decide if he/she should be granted the loan or not. Firstly, we will test the performance of the different models compared to the traditional model used in credit scoring which is the logistic regression to see if we can achieve better performance using more advanced models. Then we will explain the predictions of the models to see how each feature contributed to the prediction, which is a very important aspect in this sector, which is highly regulated.

Σε αυτή τη διπλωματική θα τεστάρουμε διαφορετικά μοντέλα μηχανικής μάθησης για αξιολόγηση πιστωτικού κινδύνου. Η τεχνική αυτή χρησιμοποιείται για να προβλέψει την πιθανότητα κάποιου να μην πληρώσει το δάνειο του, ώστε να αποφασίστεί αν θα του δοθεί ένα δάνειο η όχι. Αρχικά, θα τεστάρουμε την απόδοση διαφορετικών μοντέλων συγκριτικά με το παραδοσιακό μοντέλο που χρησιμοποιείται στον κλάδο, τη λογιστική παλινδρόμηση, ώστε να συμπαιράνουμε αν τα πιο εξελιγμένα μοντέλα μπορούν να πετύχουν καλύτερα αποτελέσματα. Έπειτα, θα εξηγήσουμε τις προβλέψεις αυτών των μοντέλων για να δούμε πως κάθε χαρακτηριστικό συνείσφερε στην τελική πρόβλεψη, το οποίο είναι πολύ σημάντικο για το κλάδο αυτόν, ο οποιός είναι αρκετα ρυθμιζόμενος από τις αρμόδιες αρχές.