Minería de datos aplicación a la fiabilidad crediticia

Abstract

Los modelos de clasificación en Minería de Datos, enfocados a predecir si un cliente de un banco es fiable o no para recibir un crédito, presentan un score y precisión con entrenamiento simple para RL: 0.21% y 0.79%, NB: 0.74% y 0.76%, AD: 0.70% y 0.69%, RNA: 0.74% y 0.73%, con entrenamiento cruzado para R.L: 0.20% y 0.79%, NB: 0.73% y 0.72%, AD: 0.68% y 0.72%, RNA: 0.73% y 0.75%. Además de utilizar RL para encontrar relaciones entre las variables de la base de datos disponible.

Classification models in Data Mining, focused on predicting whether a customer of a bank is reliable or not for credit, have a score and accuracy with simple training for RL: 0.21% and 0.79%, NB: 0.74% and 0.76%, AD: 0.70% and 0.69%, RNA: 0.74% and 0.73%, cross training RL: 0.20% and 0.79%, NB: 0.73% and 0.72%, AD: 0.68% and 0.72%, RNA: 0.73% and 0.75%. In addition to using RL to find relationships between variables of the database available.