Loan Approval Prediction by Machine Learning Algorithm
Notice bibliographique
Résumé
This research attempts to evaluate how various classical machine learning classifiers perform in predicting whether a loan application will be approved or rejected. A dataset of 4,269 observations and 13 features containing applicant's personal details, financial standing, and credit scores was utilized. The data preprocessing steps include categorical variable encoding, power transformation to handle skewness, and outlier analysis. Features are selected through statistical methods using ANOVA F-test, Chi-Square, Mutual Information, and Kendall correlation, which identified CIBIL score, loan term, income, and asset values as highly relevant predictors. To handle class imbalance, Synthetic Minority Oversampling Technique (SMOTE) was applied, resulting in a more balanced dataset for training. Multiple machine learning models were tested, including Logistic Regression, Support Vector Classifier (SVC), Decision Trees, Random Forests, K-Nearest Neighbors (KNN), and boosting method like XGBoost. The results showed that boosting method XGBoost worked best, achieving a test accuracy of 98.24% which is better than the other models. The results also show that using ensemble learning, along with good data preparation and balancing, is a strong approach for predicting loan approvals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».