Análisis de sesgo de modelos de aprendizaje automático en la predicción de riesgo de crédito en la banca en el Ecuador
Evaluar el sesgo en los modelos de aprendizaje automático diseñados para predecir el riesgo crediticio en la banca es fundamental para garantizar decisiones justas y transparentes. El propósito de este análisis es investigar el potencial de sesgo en los algoritmos utilizados para evaluar la confiabi...
Guardat en:
| Autor principal: | |
|---|---|
| Altres autors: | |
| Format: | bachelorThesis |
| Idioma: | spa |
| Publicat: |
2024
|
| Matèries: | |
| Accés en línia: | http://dspace.ups.edu.ec/handle/123456789/27860 |
| Etiquetes: |
Afegir etiqueta
Sense etiquetes, Sigues el primer a etiquetar aquest registre!
|
Afegir etiqueta | Sumari: | Evaluar el sesgo en los modelos de aprendizaje automático diseñados para predecir el riesgo crediticio en la banca es fundamental para garantizar decisiones justas y transparentes. El propósito de este análisis es investigar el potencial de sesgo en los algoritmos utilizados para evaluar la confiabilidad y sensibilidad de los datos necesarios en el proceso de calificación crediticia. Uno de los aspectos fundamentales cubiertos en este estudio es la necesidad de corregir los errores identificados y tomar acciones específicas para reducir la presencia de datos erróneos en los modelos de pronóstico. Esto incluye la introducción de métricas de capital al evaluar el desempeño del modelo para mejorar la transparencia y la rendición de cuentas en el uso de algoritmos en las decisiones crediticias. El análisis detallado tiene como objetivo identificar posibles fuentes de sesgo, como conjuntos de datos desequilibrados o variables discriminatorias, que podrían afectar la precisión y confiabilidad de los pronósticos. Tener datos desequilibrados puede generar resultados sesgados porque el modelo puede favorecer a ciertos grupos sobre otros debido a la falta de representación equitativa en el conjunto de datos de entrenamiento. Para lograr el objetivo de una predicción de resultados correcta y precisa, se propone implementar técnicas de reducción de sesgos, como la ponderación de muestras o la incorporación de características de equidad en el proceso de capacitación del modelo. Los modelos también deben monitorearse y actualizarse continuamente para garantizar la confiabilidad y precisión a medida que cambian los conjuntos de datos y las condiciones ambientales. |
|---|