Traducido del inglés al español - www.onlinedoctranslator.

com

i
Disponible en línea enwww.scencedirect.com

CienciaDirecta
Procedia Informática 187 (2021) 408–413

Conferencia Internacional sobre Identificación, Información y Conocimiento en el Internet de las Cosas,

2020

Evaluación de microcréditos rurales utilizando el aprendizaje automático en un

institución microfinanciera peruana
Henry Iván Condori-Alejoa, Miguel Romelio Aceituno Rojoa, Guina Sotomayor
Alzamoraa,∗
aEscuela Profesional de Ingeniería de Sistemas, Universidad Nacional del Altiplano, Av. Sesquicentenario/n, Puno, Perú

Abstracto

Los microcréditos son un componente importante en el desarrollo de la economía rural peruana, los cuales son otorgados por instituciones de microfinanzas, el proceso de evaluación de la población rural y pobre tiene un

alto índice de riesgo el cual tradicionalmente es controlado por el asesor rural empresarial, cuyas funciones principales son la evaluación y verificación de los clientes que solicitan estos microcréditos. Esta investigación

propone un modelo que presenta el mejor nivel de asertividad para el proceso de evaluación de microcréditos basado en análisis de determinación de variables rurales con base en la literatura especializada en el área.

Este modelo sirve como herramienta de apoyo a la toma de decisiones del asesor rural empresarial con el fin de reducir el riesgo crediticio de la microfinanciera rural. Se han evaluado las variables más representativas del

segmento financiero y microfinanciero; los datos han sido preprocesados; Los modelos de Machine Learning han sido seleccionados, entrenados, validados y evaluados a través de diferentes métricas. Los modelos más

asertivos en el proceso de evaluación del otorgamiento de microcrédito rural, en base a las variables y datos utilizados por la entidad analizada, son: Red Neuronal Artificial (93,72), Regresión Logística (86,07), Random

Forest (66,35), Máquina de vectores de soporte (84.44), árbol de decisión (88.80) y k-vecino más cercano (65.98). Finalmente, el nivel de asertividad alcanzado por el modelo ANN 93,72% es mejor que la entidad

metodología tradicional 76,81%, mostrando una mejora del 16,91% en el índice de morosidad de los clientes. en base a las variables y datos utilizados por la entidad analizada, son: la Red Neuronal Artificial (93.72), sobre

Regresión Logística (86.07), Random Forest (66.35), Support Vector Machine (84.44), Decision Tree (88.80) y k- Vecino más cercano (65,98). Finalmente, el nivel de asertividad alcanzado por el modelo ANN 93,72% es mejor

que la entidad metodología tradicional 76,81%, mostrando una mejora del 16,91% en el índice de morosidad de los clientes. en base a las variables y datos utilizados por la entidad analizada, son: la Red Neuronal Artificial

(93.72), sobre Regresión Logística (86.07), Random Forest (66.35), Support Vector Machine (84.44), Decision Tree (88.80) y k- Vecino más cercano (65,98). Finalmente, el nivel de asertividad alcanzado por el modelo ANN

93,72% es mejor que la entidad metodología tradicional 76,81%, mostrando una mejora del 16,91% en el índice de morosidad de los clientes.

© 2021 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Peer-review
bajo responsabilidad del comité científico de la Conferencia Internacional sobre Identificación, Información y Conocimiento en el
Internet de las Cosas, 2020.
Palabras clave:Aprendizaje automático; evaluación de microfinanzas; microcrédito rural; riesgo crediticio; AUC República de China

1. Introducción

El Sistema Financiero Peruano tiene un papel importante en el desarrollo y crecimiento de la economía, debido a esto permite
ampliar la frontera productiva, para alcanzar mayores niveles de utilidad, mejorar el nivel de bienestar social, a través de los créditos
otorgados por diferentes entidades como financieras y microfinancieras. instituciones reguladas por el

∗Autor correspondiente. Tel.: +51-953-620511.

Dirección de correo electrónico:gsotomayor@unap.edu.pe

1877-0509© 2021 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Peer-review bajo
responsabilidad del comité científico de la Conferencia Internacional sobre Identificación, Información y Conocimiento en el Internet de las
Cosas, 2020.
10.1016/j.procs.2021.04.117
 Henry Iván Condori-Alejo et al. / Procedia Informática 187 (2021) 408–413 409

Superintendencia de Banca y Seguros (SBS) [20]. Los créditos son una fuente de financiamiento formal en diversas actividades
económicas del país, pueden ser dinero, producto o servicio, los cuales se otorgan con base en la confianza a cambio de un valor
equivalente esperado en el futuro considerando una tasa de interés pactada y permiten la economía impulsada tanto en el sector
urbano como en el rural [11].
En Perú, la población del sector rural representa el 20,7%, su principal actividad económica es el sector agropecuario y tiene
menor acceso a fuentes de financiamiento, a través de microcréditos ofrecidos por entidades microfinancieras [14]. En este sector
hay información nula o limitada, por lo que es necesario encontrar nuevas herramientas para mejorar el nivel de asertividad,
además, el nivel de inclusión financiera es bajo, alcanzando solo el 43% en todo el país [8]. Este trabajo se ha desarrollado en la
región Puno, cuya población rural alcanza el 46,22% [13], analizando a 15.015 clientes de una empresa de microfinanzas, que
obtuvieron al menos un microcrédito para productos agrícolas en 2017. La concesión de microcréditos sigue un proceso de
evaluación predefinido, realizado por analista de crédito rural que realiza una evaluación a través de los datos del cliente, evalúa la
disposición y capacidad de pago; y está sujeto a las habilidades del evaluador, este proceso comienza con la revisión de la capacidad
financiera y los antecedentes del cliente, luego continúa con el análisis de los datos recopilados y finalmente determina la aceptación
del cliente, es decir, si se otorgarán o no los créditos y en qué condiciones [21].
Existe la probabilidad de incumplimiento de las obligaciones crediticias, lo que generaría pérdidas a las instituciones financieras o de
microfinanzas, por lo que los bancos cuentan con varios sistemas o metodologías de gestión de riesgos con el fin de minimizar el riesgo de
crédito [28]. Se busca conocer la solvencia del cliente, se aplican modelos basados en criterios por parte de asesores experimentados y se
utilizan como métodos subjetivos como [4], [5], son de uso común. También existen métodos computacionales basados en Inteligencia
Artificial para realizar una evaluación del cliente de forma más asertiva, como el Machine Learning [2], [dieciséis], [17], [19], [29], que permiten
el aprendizaje informático basado en la experiencia, a través del aprendizaje supervisado y no supervisado [10], [15]. La microfinanciera ha
analizado clientes que presentan atrasos en el pago de sus cuotas e incluso la falta total de pago, este tema se expresa a través de la tasa
de morosidad, reportada a la autoridad reguladora. En los últimos años, esta tasa de morosidad fue del 6,5% en 2015, del 6,1% en 2016 y del
6,3% en 2017 [27]. Esta variabilidad muestra una deficiencia en el nivel de asertividad al momento de otorgar microcréditos, a pesar de contar
con personal especializado y con experiencia. La entidad analizada cuenta con asesores rurales expertos y mediante Machine Learning se
intentará encontrar el modelo más asertivo en la evaluación para el otorgamiento de microcréditos rurales y reducir la morosidad, utilizando
una nueva metodología para determinar el modelo con mejor nivel de asertividad, cuyo proceso consiste en la especificación, implementación
y evaluación, comenzando con la definición de las variables rurales, las cuales se clasifican en variables empíricas y teóricas recolectadas de
trabajos relacionados en la literatura sobre el riesgo crediticio de las microfinanzas en el sector rural.

En un primer momento se extrae el dato de la entidad, el cual es preprocesado: la preparación y exploración de los datos se da a través de
una instancia, para realizar una validación cruzada y obtener la optimización de hiperparámetros para ser adaptados en modelos de Machine
Learning. Luego, los modelos se entrenan a través del aprendizaje supervisado, construyendo modelos predictivos aprendiendo de una gran
cantidad de ejemplos de entrenamiento de casos reales en instancias futuras, donde cada ejemplo de entrenamiento tiene una etiqueta que
indica su salida [18]. Finalmente, para validar los modelos, se han utilizado algunas métricas de evaluación para comparar sus resultados, con
el fin de lograr el mejor nivel de asertividad de los modelos de Machine Learning, aplicados al riesgo de crédito [2], [6], [9], [19], [29]. La
estructura del trabajo es la siguiente: en la Sección1el problema se introduce, en la Sección2la metodología propuesta se explica, en la Sección
3los resultados se muestran, en la Sección4se presentan las conclusiones y discusiones y finalmente se referencian trabajos relacionados.

2. Metodología propuesta

La metodología para determinar el modelo más asertivo en el otorgamiento de microcréditos se basa en la revisión bibliográfica
de investigaciones que construyen modelos similares como [2], [9], [17], y se divide en tres hitos: la especificación de variables
rurales, donde se realiza la revisión del proceso de microcrédito y se determinan las variables que influyen en el microcrédito; la
implementación del modelo, comenzando con la generación de una instancia preprocesada y enfocándose en entrenar modelos
seleccionados de Machine Learning; y la evaluación realizada a través de métricas de máquina de aprendizaje, finalmente se
selecciona el modelo más asertivo como:

• Especificación de variables rurales. El objetivo es determinar las mejores variables para el modelo, para lo cual se realizó una
revisión del proceso de otorgamiento de microcréditos de la entidad, a través de un mapeo, explorando los procesos de
captación, evaluación y aprobación del crédito para identificar las variables empíricas involucradas. Además,
410 Henry Iván Condori-Alejo et al. / Procedia Informática 187 (2021) 408–413

se encontraron las variables teóricas, a través de la investigación relacionada con el otorgamiento y análisis de riesgo de crédito [19], [29]. El
análisis de estas variables se realiza a través del cruce de variables, con el fin de determinar las variables más significativas para utilizarlas en el
entrenamiento de modelos. Finalmente, se construye una instancia, a partir de los datos de la entidad financiera.
• Implementación del modelo. Aquí, se pretende construir modelos de Machine Learning, a partir de la instancia obtenida en el paso
anterior. Los modelos de aprendizaje supervisado que se utilizan con frecuencia incluyen la regresión logística (LR), el bosque
aleatorio (RF), la máquina de vectores de soporte (SVM), la red neuronal artificial (ANN), el árbol de decisiones (dTree), el clasificador
Naive Bayer (NBC), los k-vecinos más cercanos ( kNN), Análisis Discriminante Lineal (LDA), Regresión Multimonial (MR), entre otros. En
este paso se realiza el preprocesamiento de los datos, para limpiar y analizar su distribución, aplicando la técnica de codificación One
Hot [7], este conjunto de datos o instancia, se utilizará para el entrenamiento de modelos seleccionados con el fin de evaluarlos.

• Evaluación. Esta etapa tiene como objetivo determinar el modelo más asertivo empleando la evaluación de modelos de Machine
Learning, a través de las métricas más utilizadas en este campo, que son Accuracy, Precision, Recall, F1 Score y AUC ROC [2], [6], [9], [
19], [29]. [3], [12], y [23]. La evaluación del modelo construido es una tarea importante en el proyecto de ciencia de datos para delinear
qué tan buenas son las predicciones. Para lo cual se utiliza la matriz de confusión, que describe el desempeño de un modelo de
clasificación en un conjunto de datos de prueba.

3. Resultados

La instancia utilizada en este estudio representa la base de datos de instituciones de microfinanzas del periodo marzo 2017 a
marzo 2018, correspondiente a un total de 17454 registros de 15015 clientes, esta instancia se denomina dataset. Para la
implementación de algoritmos, Scikit Learn [26] y las Keras [25], que integra una amplia gama de algoritmos para modelos de
Machine Learning e incluye problemas supervisados y no supervisados. Además, se utilizaron las librerías Pandas para la lectura de
los archivos otorgados por la entidad, Numpy para el preprocesamiento de datos y Matploit para la representación gráfica de los
resultados. El proceso de otorgamiento de crédito de la entidad analizada se divide en cuatro etapas: la adquisición, evaluación,
aprobación y desembolso [1].

3.1. Establecimiento de Variables Rurales

La evaluación de las variables empíricas que actualmente se utilizan en la entidad se ha realizado durante el proceso de
evaluación crediticia, además, estas han sido sometidas a una validación teórica, con el fin de medir su pertinencia. Las variables
empíricas identificadas han sido 34:desembolso de capital,monto de la tarifa,Destino del préstamo, Número de pagos de tasas,rama
offce,Tasa de interés acordada,Tipo de solicitud de crédito,clasificación del cliente, tipo de cliente,tipo de credito,Edad,Lugar de
nacimiento,tipo de vivienda,Estado civil,Sexo,Nivel de educación,Demanda,Ocupación,Profesión,Guardando cuentas,Sector
económico,Actividad principal,Tipo de actividad principal,Años en actividad primaria,Actividad secundaria,Tipo de actividad
secundaria,Años en actividad secundaria,Balance,Término,Garantía,Número de dependientes,Retraso promedio,Número de perdón
yNúmero de créditos. La validación se realizó a través de la revisión de la literatura, durante esta etapa se ha determinado la
frecuencia de referencia pertinente, 25 variables empíricas de la entidad analizada también se utilizan en otros estudios de riesgo de
crédito [19], [29], lo que sustenta su uso en la aplicación del modelo de análisis de riesgos [1]. Las nueve variables restantes
corresponden claramente a la propuesta de la experiencia empírica de la entidad en el otorgamiento de créditos en zonas rurales, y
están relacionadas con las actividades económicas de las personas de dicho sector.

3.2. Preprocesamiento de datos y entrenamiento

Una vez que las variables de entrada independientesXhan sido definidas, y la variable de salida dependienteY, que indica si se
debe conceder o no un determinado microcrédito (variableCrédito concedido), la instancia del conjunto de datos se utiliza para
realizar el preprocesamiento adecuado. En este proceso se han considerado datos faltantes o nulos, que pueden afectar el
entrenamiento de los modelos, se realiza la evaluación y gestión de los datos faltantes, por error humano, ya que no se ingresan o
no se declaran, la acumulación de los valores perdidos se evalúan y se identifican como valores nulos. Para completar los datos
faltantes, primero se realizó un conteo de los valores nulos en el dataset de la entidad, completado con la moda de la variable, ya
que eran variables de tipo categóricas, luego se realizó la exploración de datos, analizando el dataset. En este análisis se considera si
es necesario aplicar la normalización de variables de tipo numérico, para obtener
 Henry Iván Condori-Alejo et al. / Procedia Informática 187 (2021) 408–413 411

datos simétricos, observando el contador (contar), promedio (significar), Desviación Estándar (estándar), el valor mínimo (min) y el
valor máximo (máximo), como se muestra en la Tabla1.

Tabla 1. Resumen de datos preprocesados para entrenamiento de modelos

Variables contar significar estándar min máximo

Capital de desembolso 17454 4914.70 4638.45 300.00 60000.00

monto de la tarifa 17454 1046.68 1596.82 0.00 26809.50
Término 17454 408.76 157.52 30.00 3240.00
Años en actividad primaria 17454 10.75 7.87 0.00 100.00
Años en actividad secundaria 17454 4.04 6.02 0.00 100.00
Número de dependientes 17454 0.86 1.23 0.00 21.00
Tasa de interés acordada 17454 1514.71 1843.19 14.49 29831.95
Retraso promedio 17454 1.39 7.19 0.00 259.00
Guardando cuentas 17454 0.09 0,45 0.00 20.00
Balance 17454 2120.21 4648.92 0.00 104051.75
Número de créditos 17454 1.04 0.38 0.00 3.00
Número de cuotas pagadas 17454 9.42 6.48 1.00 60.00
Número de condonaciones 17454 0.02 0.27 0.00 10.00
Demanda 17454 0.00 0.00 0.00 0.00

A partir de estas observaciones se determinó que el valor máximo y mínimo, las variables con mayor valor de desviación
estándar por lo que fue necesario verificar la distribución de cada una de estas variables para corregir la simetría correspondiente,
que también fueron transformadas mediante la función Log1p , de la biblioteca numpy, para reducir el coeficiente de asimetría.
Finalmente, se aplicó la técnica de codificación One Hot a las variables categóricas, obteniendo como resultado un conjunto de datos
preprocesados, se siguió una regla, consistente en el uso del 75% para entrenamiento y el 25% para evaluación [22]. Se han
entrenado los siguientes modelos de Machine learning para la gestión de riesgos: LR, a través de la función SGDClassifier; RF, a
través de la función RandomForestClassifier; SVM a través de la función LinearSVC; ANN a través de la librería Keras, específicamente
las funciones Sequential y Dense; dTree a través de la función DecisionTreeClassifier; kNN a través de la función
KNeighborsClassifier.

3.3. Comparación de modelos de aprendizaje automático

Una vez finalizado el entrenamiento, se realiza la evaluación de los modelos de Machine Learning, como se muestra en la
Tabla2. Donde dTree obtiene la mejor puntuación en Precisión, seguida de ANN, que refleja una medida global de la
concesión de microcréditos, ya que esta métrica depende del balance de casos positivos y negativos. Aplicando Recall, el
modelo con mejor puntuación es RF, seguido de ANN, que indica el ratio de microcréditos identificados como concedidos
sobre el total que debería concederse, esta métrica también se centra en los casos positivos. En F1 Score, el primer lugar lo
ocupa dTree, seguido de ANN, que indica la precisión de los microcréditos otorgados, esta métrica involucra el equilibrio
entre la métrica Precision y Recall, se enfoca en casos positivos. Finalmente, en AUC ROC el modelo con mejor puntaje ANN.

Tabla 2. Métricas resultantes de Modelos

Modelo Exactitud Precisión Recordar Puntuación F1 AUC República de China

LR 0.8390 0.9638 0.8191 0.8856 0.8607

RF 0.8351 0.8257 0.9928 0.9016 0.6635
MVS 0.8881 0.9249 0.9282 0.9266 0.8444
ANA 0.9119 0.9184 0.9705 0.9437 0.9372
dÁrbol 0.9230 0.9443 0.9551 0.9496 0.8880
kNN 0.8124 0.8270 0.9527 0.8854 0.6598
412 Henry Iván Condori-Alejo et al. / Procedia Informática 187 (2021) 408–413

Fig. 1. Curvas ROC de evaluación para modelos de aprendizaje automático.

Al evaluar las métricas seleccionadas, se sabe que la métrica Accuracy mide cada modelo de forma global, mientras que las métricas
Precision, Recall y F1 Score se enfocan en los hits positivos, sin embargo también se deben considerar los hits negativos, finalmente AUC ROC
considera tanto los hits positivos como los negativos, los cuales permite medir de manera más adecuada el nivel de asertividad en el
otorgamiento de microcréditos, esta evaluación y selección es consistente con los resultados encontrados en [19], [2], [12], [9]. Cabe señalar
que todos los modelos utilizados fueron sometidos a un mismo escenario con datos de la entidad para luego ser evaluados y comparados.

El modelo ANN utilizado automatiza el desarrollo de modelos analíticos con la mínima intervención humana, funciona recibiendo un
conjunto de variables en la capa de entrada, se utiliza una combinación lineal para generar nuevas características, y una función de activación
que permite generar una neurona como salida, la cual es la entrada de la siguiente capa; en las capas ocultas se generan nuevas
características de las capas anteriores, hasta llegar a la capa de salida, obteniendo un valor predicho (forward propagation). El valor predicho
se reajusta para minimizar el margen de error de las iteraciones anteriores hasta que el modelo converge a lo largo de 50 épocas con una
tasa de aprendizaje de 0,001, utilizando el optimizador de Adam (propagación inversa) [24].
Considerando los resultados de la métrica AUC ROC, el desempeño del algoritmo se obtiene a través de la curva ROC,
mostrada en la Figura1, por lo que se realiza la evaluación de su desempeño de acuerdo a su línea de no discriminación, el
modelo de microcrédito más asertivo es el de Redes Neuronales Artificiales (RNA), determinando qué préstamos se deben
otorgar o no con un 93.72% de asertividad, los datos de los préstamos otorgados en el periodo de análisis por parte de la
entidad con su metodología tradicional alcanza el 76,81%, y con el modelo ANN se logra el 93,72%, mostrando una mejora
del 16,91% en el índice de morosos.

4. Conclusiones y trabajos futuros

La institución microfinanciera analizada se especializa en microcréditos rurales, se determinó que la morosidad crediticia de la entidad
analizada representa un 23.19%, por lo tanto se debe minimizar el nivel de riesgo crediticio. Se evaluó el proceso de la entidad para
determinar las variables que intervienen en el otorgamiento de crédito rural, con base en variables empíricas y se validaron a través de la
revisión de literatura en el campo del riesgo de crédito, el uso de herramientas que permitan obtener mejores resultados a través de un
modelo computacional basado en Se ha determinado la Inteligencia Artificial para otorgar créditos de manera más asertiva, que reduzcan la
morosidad de los préstamos.
De esta forma, se obtiene una herramienta que sirve de ayuda a la toma de decisiones para el personal especializado en la concesión de
préstamos. La preparación de los datos ha considerado la determinación de las variables más significativas a utilizar, encontrando una
coincidencia de 25 variables empíricas apoyada en otros estudios [19], [29] y 9 variables propias de la propuesta de concesión de
microcréditos rurales. Se obtuvieron 17454 registros de entidades, los cuales fueron preprocesados, con el fin de lograr un mejor desempeño
 Henry Iván Condori-Alejo et al. / Procedia Informática 187 (2021) 408–413 413

en proceso de capacitación y evaluación, obteniendo información de supervisión sólida con variables de entrada completas y
correctas.
Se utilizaron modelos de Machine Learning aplicados al riesgo de crédito [dieciséis], [19], [28], los cuales fueron
seleccionados, capacitados y evaluados. El nivel de asertividad ha sido evaluado a través de diferentes métricas [2], [6], [9], [
19], [29], encontrando el modelo con mejor desempeño en la evaluación del otorgamiento de crédito, el cual ha sido Red
Neuronal Artificial (ANN), que obtuvo un nivel de asertividad del 93,72%, por encima de los modelos LR (86,07%), RF
(66,35%), SVM (84,44%), dTree (88,80%) y kNN (65,98%). El nivel de asertividad alcanzado con el modelo ANN (93,72%) supera
al alcanzado con su metodología tradicional (76,81%), con una reducción del 16,91% de clientes en mora. Como trabajo
futuro se espera ampliar los resultados para otras entidades rurales y analizar entidades fuera de la región, para continuar
con la validación de variables.

Referencias

[1] Aceituno, M., 2019. Modelo predictivo de análisis de riesgo crediticio usando Machine Learning en una entidad del sector microfinanciero. Doctor.
tesis. Universidad Nacional del Altiplano.
[2] Addo, P., Guegan, D., Hassan, B., 2018. Análisis de riesgo crediticio utilizando modelos de aprendizaje automático y profundo. SSRN doi:10.2139/ssrn.3155047.
[3] Albon, C., 2018. Aprendizaje automático con Python Cookbook. O'Reilly Media, Inc.
[4] Bisias, D., Flood, M., Lo, AW, Valavanis, S., 2012. Una encuesta de análisis de riesgo sistémico. Revisión anual de economía financiera 4, 255–296.
hacer:10.1146/annurev-financiero-110311-101754.
[5] Brown, K., Moles, P., 2016. Gestión del riesgo crediticio. Escuela de Negocios de Edimburgo, Universidad Heriot-Watt.
[6] Chakraborty, C., Joseph, A., 2017. Aprendizaje automático en los bancos centrales. Reporte técnico. Banco de Inglaterra.
[7] Choong, A., Lee, N., 2017. Evaluación del modelado de redes neuronales convolucionales de secuencias de adn utilizando el método de codificación ordinal versus
one-hot, en: bioRxiv. hacer:http://dx.doi.org/10.1101/186965.
[8] Demirguc-Kunt, A., Klapper, L., Singer, D., Ansar, S., Hess, J., 2018. La base de datos Global Findex 2017: Medición de la inclusión financiera y la
revolución fintech. El Banco Mundial. hacer:10.1596/978-1-4648-1259-0.
[9] Flores, R., Ramon, J., 2014. Modelización del riesgo crediticio con escasos datos de incumplimiento: sobre la idoneidad de las estrategias cooperativas de arranque para carteras
pequeñas de bajo incumplimiento, en: Journal of the Operational Research Society.
[10] Goodfellow, I., Bengio, Y., Courville, A., 2016. Aprendizaje profundo. Prensa del MIT.http://www.deeplearningbook.org.
[11] Guajardo, J., 1991. Estrategias y técnicas para optimizar el crédito y la cobranza. Tesis de maestría. Universidad Autónoma de Nuevo León.
[12] Hossin, M., MN, S., 2015. Una revisión de las métricas de evaluación para las evaluaciones de clasificación de datos. Revista internacional de proceso de gestión del
conocimiento y minería de datos 5, 01–11. hacer:10.5121/ijdkp.2015.5201.
[13] Instituto Nacional de Estadística e Informática (INEI), 2017. Población y vivienda: Magnitud y crecimiento poblacional.https://
www. inei.gob.pe/estadisticas/indice-tematico/poblacion-y-vivienda.
[14] Instituto Nacional de Estadística e Informática (INEI), 2018. Perfil sociodemográfico del perú.https://www.inei.gob.pe/media/
MenuRecursivo/publicaciones_digitales/.
[15] Jordan, M., Mitchell, T., 2015. Machine leaning: Trends, perspetives, and prospects, en: Science. hacer:10.1126/ciencia.aaa8415.
[16] Kalayci, S., Kamasak, M., Arslan, S., 2018. Análisis de riesgo crediticio utilizando algoritmos de aprendizaje automático, en: 26.ª Conferencia de aplicaciones de
comunicaciones y procesamiento de señales IEEE, SIU 2018. doi:10.1109/SIU.2018.8404353.
[17] Khashman, A., 2010. Redes neuronales para la evaluación del riesgo de crédito: Investigación de diferentes modelos neuronales y esquemas de aprendizaje.
Sistemas expertos con aplicaciones 37, 6233–6239. hacer:https://doi.org/10.1016/j.eswa.2010.02.101.
[18] Kotsiantis, SB, 2007. Aprendizaje automático supervisado: una revisión de las técnicas de clasificación. Informática (Liubliana) 31.
[19] Kruppa, J., Schwarz, A., Arminger, G., Ziegler, A., 2013. Riesgo crediticio del consumidor: Estimaciones de probabilidad individual usando aprendizaje automático,
en: Sistemas expertos con aplicaciones. hacer:10.1016/j.eswa.2013.03.019.
[20] Lizarzaburu, E., 2014. Sistema financiero peruano: área de tesorería, en: Strategy & Management Business Review.
[21] Morales, J., Morales, A., 2014. Crédito y cobranza. Grupo Editorial Patria.
[22] Mueller, A., Guido, S., 2016. Introducción al aprendizaje automático con Python. O'Reilly Media, Inc.
[23] Narkhede, S., 2018. Comprender la curva auc - roc. URL:https://towardsdatascience.com/\spacefactor\@m{}narkhedesarang.
[24] Ng, A., 2018. Aprendizaje automático Yeraning. Proyecto Deeplearning.ai.
[25] Python, 2019. Base de software de Python. URL:https://www.python.org.
[26] Scikit-Learn Developers, 2016. Guía del desarrollador. URL:https://scikit-learn.org/0.18/developers/index.html.
[27] Superintendencia de Banca, Seguros y AFP (SBS), 2019. Información estadística de banca múltiple.https://www.sbs.gob.pe/app/
stats/.
[28] Tesén, A., 2017. Eficacia de los modelos de aprendizaje de maquina para evaluar el riesgo crediticio de personas naturales en una institución
financiera de Chiclayo. Doctor. tesis. Universidad Nacional de Santa.
[29] Turkson, R., Baagyere, E., Wenya, G., 2016. Un enfoque de aprendizaje automático para predecir la solvencia bancaria, en: 2016 3rd International
Conference on Artificial Intelligence and Pattern Recognition, AIPR 2016. doi:10.1109/ICAIPR.2016.7585216.