Prediksjon av mislighold på folkefinansierte lån med maskinlæring

Abstract

I denne oppgaven har vi brukt data fra person til person låneplattformen Bondora og deretter lagd maskinlæringsmodeller med den hensikt å predikere mislighold og finne viktige variabler for prediksjon av mislighold. Vi har brukt logistisk regresjon som en benchmark og sammenlignet med modeller laget med Random Forest, Extreme Gradient Boosting, Support Vector Machines og nevrale nettverk. Vi evaluerer modellene med forskjellige «performance measures» og sammenligner med tidligere forsking. Vår beste modell blir Extreme Gradient Boosting som får en nøyaktighet på 70,1% og modellen vektlegger Bondora sin egen lånerating som den viktigste variabelen.

In this thesis we have used data from peer-to-peer loan platform Bondora and then created machine learning models with the intention of predicting default and finding important variables for predicting default. We have used logistic regression as a benchmark and compared with models made with Random Forest, Extreme Gradient Boosting, Support Vector Machines and neural networks. We evaluate the models with different performance measurements and compare with previous research. Our best model is Extreme Gradient Boosting which gets an accuracy of 70% and emphasis Bondora's own borrower rating as the most important variable.