Problema: addestrare un modello di apprendimento automatico per prevedere se un prestito sarà completamente estinto o "addebitato" (mai completamente pagato).

Contesto: Le istituzioni finanziarie tengono conto di diverse variabili quando approvano un prestito. È difficile stabilire se un determinato mutuatario ripagherà completamente il prestito o lo farà decadere. Se il prestatore è troppo severo, vengono approvati meno prestiti, il che significa che ci sono meno interessi da riscuotere. Ma se sono troppo permissivi, finiscono per approvare prestiti che non vengono rimborsati. L'apprendimento automatico può aiutarci a prevedere quali prestiti saranno addebitati.

Tipo di modello: Modelli Ensemble costruiti con AutoML**

Cosa abbiamo fatto: Utilizzando SnapLogic Data Science, abbiamo addestrato diversi modelli sui dati dei prestiti di LendingClub, un servizio di prestiti peer-to-peer che ha approvato oltre 1,5 milioni di prestiti dal 2007. Il modello di apprendimento automatico è stato addestrato per identificare i prestiti che probabilmente finiranno per essere cancellati. Le banche e gli altri istituti di credito possono usare questo modello per evitare di fare prestiti sbagliati e investire in prestiti buoni che producono profitti.(Maggiori informazioni su come abbiamo costruito questa demo).

Provate la demo di apprendimento automatico Loan Repayment Prediction: La tabella seguente contiene informazioni su 10 prestiti approvati dal dataset. Le previsioni sono nella colonna "Stato del prestito". Provate a cambiare i dati e vedrete le nuove previsioni in tempo reale.

Inoltre, esplorate il filtro a discesa nella tabella a destra per vedere come le diverse variabili (ad esempio, l'importo del prestito) influenzano lo stato di rimborso del prestito.

**L'AutoML Snap (beta) automatizza il processo di esplorazione di diversi algoritmi di apprendimento automatico con diversi iperparametri. Utilizza appieno le risorse e fornisce il modello migliore entro un determinato periodo di tempo.