| dc.contributor | Serna Buitrago, Daniela | |
| dc.creator | Bareño Amezquita, Carolina | |
| dc.date | 2023-06-28T16:39:48Z | |
| dc.date | 2023-06-28T16:39:48Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2024-04-23T17:59:22Z | |
| dc.date.available | 2024-04-23T17:59:22Z | |
| dc.identifier | https://hdl.handle.net/10495/35685 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9230203 | |
| dc.description | RESUMEN : En el documento se detalla la importancia de conocer el perfil de comportamiento de pago de los clientes de un Banco. Se busca lograr un mejor perfilamiento de clientes actuales y futuros a través del entrenamiento de un modelo Machine Learning. Para la selección del mejor modelo de clasificación, se plantea el entrenamiento de modelos de machine learning con una data de históricos tomada de la nube. Los modelos usados son Regresión Logística, KNN y Random Forest, para cada modelo se determinan sus métricas dentro
de las que se encuentra el accuracy y la precisión en la clasificación de cada uno de los valores de las variables de salida qué se dan como resultado del entrenamiento y prueba de cada uno de estos. Aquel que cuente en su conjunto con los mejores resultados en las métricas seleccionadas será el modelo que finalmente se presentará para determinar en qué grupo se clasifican los clientes. | |
| dc.description | ABSTRACT : In this document, it details the importance of know the payment profile of a client from a bank. One of the goals is to find a better way to profile the clients that already had a product and the clients that in the future, through the training of a machine learning model. To choose the best classification model, detail it the training of Machine Learning models with data downloaded from the cloud. The models training are Logistic Regression, KNN and Random Forest, for each model its calculated their metrics, in those are the accuracy and the precision classifying the clients in one of the values that takes the output variable, these metrics are the result of the training and testing with the data. The one that gives the best values in the metrics
selected previously, it will be the model selected, that finally it will classify in which one of the groups belong the clients. | |
| dc.format | 40 | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Medellín, Colombia | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Aprendizaje automático (inteligencia artificial) | |
| dc.subject | Machine learning | |
| dc.subject | Consumidores - modelos matemáticos | |
| dc.subject | Crédito al consumidor | |
| dc.subject | Análisis de regresión | |
| dc.subject | Bancos | |
| dc.subject | Perfil de cliente | |
| dc.subject | Morosos | |
| dc.subject | Banca | |
| dc.subject | Regresión lineal | |
| dc.title | Modelo predictivo de clientes en mora | |
| dc.type | info:eu-repo/semantics/other | |
| dc.type | info:eu-repo/semantics/draft | |
| dc.type | http://purl.org/coar/resource_type/c_46ec | |
| dc.type | http://purl.org/redcol/resource_type/COther | |
| dc.type | Tesis/Trabajo de grado - Monografía - Especialización | |
