Credit Risk: un'analisi predittiva mediante tecniche di machine learning

Il presente elaborato esplora l’applicazione del Machine Learning nella valutazione del rischio di credito. L’obiettivo è individuare, attraverso tecniche di apprendimento supervisionato, il modello più accurato per classificare i clienti in base al loro grado di rischio. Sono stati analizzati e confrontati cinque algoritmi: Regressione Logistica, Random Forest, Support Vector Machine con kernel RBF, Gradient Boosting e K-Nearest Neighbors. I modelli sono stati sviluppati in Python tramite la libreria scikit-learn, im- piegando una pipeline completa di preprocessing, imputazione dei valori mancanti, normalizzazione e ottimizzazione iperparametrica mediante GridSearchCV con vali- dazione incrociata stratificata a 5 fold. Le prestazioni sono state valutate in termini di accuratezza, precisione, recall, F1-score e AUC. I risultati hanno evidenziato come la Regressione Logistica offra il miglior compro- messo tra capacità predittiva e interpretabilità. L’impiego di strumenti di Explainable AI , in particolare Shap, ha permesso di individuare le feature più rilevanti nella de- terminazione del rischio, garantendo trasparenza e coerenza con i requisiti normativi del settore creditizio.