Estrategia computacional para estimar la aprobación de préstamos a partir de datos de solicitantes, utilizando algoritmos de machine learning

Este trabajo de grado tiene como objetivo aplicar técnicas de aprendizaje automático para mejorar el proceso de toma de decisiones en la aprobación de préstamos. Para ello, se utilizó un conjunto de datos reales con información de clientes, incluyendo variables como género, ingresos, historial crediticio, monto solicitado, entre otros. A lo largo del proyecto, se realizó un análisis completo que incluyó la limpieza de los datos, transformación de variables y selección de características relevantes. Posteriormente, se entrenaron distintos algoritmos de clasificación supervisada como regresión logística, árboles de decisión, Random Forest, SVM, entre otros, con el fin de predecir si un préstamo debía ser aprobado o rechazado. El desempeño de los modelos se evaluó con métricas como la exactitud (accuracy), la matriz de confusión, el informe de clasificación y la curva ROC, obteniendo resultados muy positivos. El modelo con mejor desempeño fue validado con datos nuevos mediante una simulación práctica, donde un usuario puede ingresar los datos de un cliente y recibir una predicción inmediata sobre la aprobación del préstamo. Además, se aplicó una estrategia de votación por mayoría entre varios modelos, lo cual fortaleció la confiabilidad del sistema. Este proyecto demuestra cómo, a través del uso de herramientas de Machine Learning, se puede construir una solución práctica y automatizada para apoyar procesos financieros. El sistema desarrollado es capaz de adaptarse a distintos tipos de usuarios, entregar resultados confiables y facilitar decisiones más objetivas y rápidas. En conclusión, se logró implementar una estrategia computacional útil, funcional y con potencial de aplicación en contextos reales, permitiendo no solo optimizar recursos, sino también mejorar la experiencia tanto para las entidades financieras como para los usuarios.

• Autores: Paredes Martínez, Mickell Santiago
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/7572
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/7572
• Palabra clave: Machine Learning; Aprendizaje supervisado; Clasificación; Aprobación de préstamos; Algoritmos de predicción; Análisis de datos; Modelos de decisión; Regresión logística; Random Forest; Validación del modelo; Mejoramiento de procesos; Toma de decisiones; Aprendizaje automático (Inteligencia artificial)
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)