소비자 신용 위험 평가를 위한 머신러닝 알고리즘 비교 분석

금융 기술이 빠르게 발전하는 환경에서 머신러닝 알고리즘은 소비자 신용 위험 평가를 위한 전통적 방법론을 점차 대체하고 있습니다. 본 연구는 10,000개의 신용 계정으로 구성된 포괄적 데이터셋을 활용하여 네 가지 대표적인 머신러닝 알고리즘인 로지스틱 회귀, 결정 트리, 랜덤 포레스트, 그리고 그래디언트 부스팅 머신(GBM)의 비교 분석을 수행합니다. 결과는 0.87의 AUC를 달성한 GBM을 명확히 선호하며, 그 뒤를 0.85의 AUC를 기록한 랜덤 포레스트가 이었습니다. 반면, 로지스틱 회귀와 결정 트리는 각각 0.78과 0.72의 낮은 AUC를 기록했습니다. GBM과 랜덤 포레스트는 분류 정확도에서 92%와 90%로 크게 앞서며, 로지스틱 회귀의 86%와 결정 트리의 80%를 현저히 초과했습니다. 특히, GBM은 95%의 특이도와 90%의 민감도를 보이며, 고위험 계정을 효율적으로 식별하고 저위험 카테고리에서의 오탐지를 최소화했습니다. 더 나아가 본 연구는 불균형 데이터셋 처리, 해석 가능성, 및 각 알고리즘의 계산 요구 사항을 탐구하여, 투명성과 확장성 향상을 위한 신용 위험 모델 최적화의 미래 방향에 대한 정량적 통찰을 제공합니다.