Система оцінювання кредитоспроможності позичальників методами Machine Learning

Abstract

Досліджено застосування методів машинного навчання для оцінювання кредитоспроможності позичальників. Проведено порівняльний аналіз традиційних скорингових підходів і сучасних алгоритмів, зокрема логістичної регресії, Random Forest та LightGBM. Розроблено практичний скоринговий пайплайн з урахуванням вимог до точності, інтерпретованості та регуляторної прозорості. Отримані результати підтверджують ефективність використання LightGBM у задачах кредитного скорингу.

The thesis explores the application of machine learning methods for assessing borrowers’ creditworthiness. A comparative analysis of traditional credit scoring approaches and modern algorithms, including logistic regression, Random Forest, and LightGBM, is conducted. A practical credit scoring pipeline is developed with a focus on predictive accuracy, interpretability, and regulatory transparency. The results confirm the effectiveness of LightGBM for credit scoring tasks.