Machine learning para el análisis de riesgo crediticio. Comparación de modelos y propuesta de aplicación al crédito automotriz en México
Date
2026-02
Journal Title
Journal ISSN
Volume Title
Publisher
Benemérita Universidad Autónoma de Puebla
Abstract
“La presente investigación propone una aproximación metodológica basada en Machine Learning para el análisis de riesgo crediticio, con énfasis en su posible aplicación al crédito automotriz en México como alternativa para mejorar la evaluación de solicitantes. Para ello se utilizó el conjunto de datos German Credit, el cual contiene características financieras y socioeconómicas de clientes, así como su clasificación como buen o mal pagador. Se realizó un análisis exploratorio de datos y el preprocesamiento necesario (limpieza y adecuación de variables) para su uso en modelos predictivos. Posteriormente, se construyeron modelos de clasificación supervisada —regresión logística, árboles de decisión y bosque aleatorio— con el objetivo de estimar la probabilidad de incumplimiento y clasificar a los solicitantes. El desempeño se evaluó mediante matriz de confusión, exactitud, sensibilidad/especificidad, curva ROC y AUC, y en el caso del bosque aleatorio, mediante el error Out-of-Bag (OOB) e importancia de variables. Los resultados evidencian que el bosque aleatorio alcanza el mejor desempeño global, mientras que la regresión logística ofrece una ventaja relevante en interpretabilidad a través de odds ratios, y los árboles aportan reglas de decisión claras, pero con desempeño moderado. En conjunto, la comparación permite sustentar una propuesta de aplicación metodológica al contexto mexicano, orientada a fortalecer la toma de decisiones y reducir errores en la selección de clientes”.
Description
Keywords
Citation
Collections
Document Viewer
Select a file to preview:
Can't see the file? Try reloading