Modelo de clasificación en Machine Learning para productos del Fondo Nacional de Garantías S.A. - FNG
Este trabajo detalla la implementación de un modelo de clasificación en Machine Learning con el fin de analizar y evaluar garantías en el ámbito del Fondo Nacional de Garantías. Su objetivo principal es mejorar la eficiencia y precisión en la detección de inconsistencias en reclamaciones de garantía...
- Autores:
-
Duque Carreño, Johan Camilo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad Distrital Francisco José de Caldas
- Repositorio:
- RIUD: repositorio U. Distrital
- Idioma:
- spa
- OAI Identifier:
- oai:repository.udistrital.edu.co:11349/41303
- Acceso en línea:
- http://hdl.handle.net/11349/41303
- Palabra clave:
- Machine Learning
Análisis de datos
Python
FNG
Matemáticas -- Tesis y disertaciones académicas
Modelos de clasificación en Machine Learning
Detección de inconsistencias en garantías
Aplicaciones de Machine Learning en finanzas
Optimización de procesos en entidades financieras
Análisis de datos con Python
Machine Learning
Analysis of data
Python
FNG
- Rights
- License
- Abierto (Texto Completo)
Summary: | Este trabajo detalla la implementación de un modelo de clasificación en Machine Learning con el fin de analizar y evaluar garantías en el ámbito del Fondo Nacional de Garantías. Su objetivo principal es mejorar la eficiencia y precisión en la detección de inconsistencias en reclamaciones de garantías por parte de intermediarios financieros, optimizando así el proceso. La narrativa se fundamenta en la experiencia del autor durante una pasantía en el Fondo Nacional de Garantías, específicamente en áreas como la Vicepresidencia de Operaciones y la Subdirección de Garantías, desempeñando el rol de analista técnico. El enfoque central del trabajo es identificar los intermediarios financieros que suelen presentar más inconsistencias y definir los productos y tipos de procesos susceptibles de notificación. Se emplea una base de datos que incluye todas las garantías con alguna inconsistencia en el momento de la reclamación para ilustrar la implementación del modelo de clasificación en Machine Learning. El código presentado utiliza Python y bibliotecas como pandas, scikit-learn y openpyxl para cargar, procesar y construir el modelo de clasificación. Se aplican conocimientos matemáticos y estadísticos, como álgebra lineal, probabilidades y lógica booleana. Además, se implementa machine learning mediante un modelo RandomForestClassifier, basado en árboles de decisión y teoría de grafos, con optimización en el entrenamiento del modelo. El marco teórico se centra en la selección y preparación de datos, la exploración detallada y elección adecuada de clases, hasta la implementación y evaluación del modelo. Se analiza la idoneidad de algoritmos de clasificación para optimizar la predicción de inconsistencias y comportamientos de las características de las garantías. Este trabajo contribuye al campo de aplicación de Machine Learning en entidades financieras, ofreciendo un caso de estudio específico y práctico para mejorar procesos en el contexto del Fondo Nacional de Garantías. Se propone examinar la implementación de modelos de clasificación en un contexto empresarial específico, evaluando su impacto en la toma de decisiones y la mejora de la eficiencia operativa. |
---|