Rojas Ormaza, Brayan Ricardo2025-03-212024https://hdl.handle.net/10784/35611Este proyecto buscó implementar un modelo de scoring de crédito para Mexichem Colombia S. A. S. utilizando técnicas de machine learning para predecir la probabilidad de impago de empresas. Se compararon cuatro algoritmos: árboles de decisión, random forest, gradient boosting y redes neuronales, cada uno con características únicas en cuanto a precisión y manejo de datos complejos. La investigación incluyó la selección y evaluación de variables relevantes mediante el índice de Gini y técnicas de eliminación recursiva para evitar el sobreajuste. Los resultados ayudaron a identificar el modelo más eficaz para predecir riesgos crediticios, optimizando las decisiones financieras.This project sought to implement a credit scoring model for Mexichem Colombia SAS using machine learning techniques to predict the probability of default in companies. Four algorithms were compared: decision trees, random forest, gradient boosting and neural networks, each with unique characteristics in terms of accuracy and handling of complex data. The research included the selection and evaluation of relevant variables using the Gini index and recursive elimination techniques to avoid overfitting. The results helped to identify the most effective model to predict credit risks, optimizing financial decision-making.application/pdfspaTodos los derechos reservadosScoring de créditoMachine LearningImpagoModelos predictivosRiesgo crediticiomasterThesisinfo:eu-repo/semantics/openAccessADMINISTRACIÓN FINANCIERAFINANZASRIESGO (FINANZAS)CRÉDITOTOMA DE DECISIONESCredit scoringDefaultPredictive modelsCredit riskAcceso abierto2025-03-21Vargas Izquierdo, Daniel Camilo