Predicción del riesgo crediticio mediante aprendizaje automático y análisis neutrosófico de la incertidumbre.

Resumen

Los modelos de aprendizaje automático empleados en la evaluación del riesgo crediticio suelen producir una probabilidad puntual que no distingue predicciones respaldadas por evidencia clara de aquellas hechas bajo alta ambigüedad de los datos. Este estudio propone un esquema híbrido que combina modelos de aprendizaje automático con un componente de análisis neutrosófico, capaz de cuantificar la indeterminación asociada a cada predicción individual. Se entrenaron y compararon tres modelos regresión logística, Random Forest y XGBoost sobre el conjunto German Credit Data (1000 solicitantes), y sobre sus salidas se formalizó una tripleta neutrosófica (verdad, indeterminación, falsedad), combinando indeterminación de datos e indeterminación de desacuerdo entre modelos. Random Forest obtuvo el mejor desempeño (AUC-ROC = 0.771, F1 = 0.789), aunque clasificó erróneamente a la mitad de los solicitantes de mal riesgo reales. El hallazgo principal fue que la indeterminación del modelo se correlacionó con el error en la dirección esperada, mientras que la de datos mostró una correlación negativa y significativa (r = -0.156, p = 0.007) una categoría marcada a priori como ausencia de información resultó ser una señal predictiva válida. Se concluye que la indeterminación en esquemas neutrosóficos de riesgo crediticio requiere validación empírica previa de cada fuente candidata, no solo criterios semánticos.