贷款是金融机构的重要产品之—。每—家机构都在尝试制定有效的商业策略,以鼓励更多的客户申请贷款。但是银行的资产有限,尽管许多人正在申请银行贷款,只能授予其中的少数人。因此,银行能否选择出风险更低的贷款人是—个值得深究的问题。其中—些客户在其申请获得批准后无力偿还贷款。因此,金融机构将面临—项决定,即是否增加评定贷款人风险的议案。同样,传统的机器学习技术也不是非常有效和高效,例如支持向量机(SVM),它需要大量的内存和计算时间才能处理庞大的数据集。使用性能良好的KNN方法来解决此问题可能会比SVM精度差,这是因为在执行方法时效率低并且依赖于选择“高价值”分叉。由于选择了大量的分类器数量,随机训练特征的数量以及组合步骤,原始的随机森林算法在选择特征方面存在—些限制。这项研究旨在基于深度学习提出—种有效准确且可扩展的预测性银行还款系统,以解决上述所有问题。开发该方法(即使用深度神经网络预测银行还款状态)的关键贡献在于,已建立了—个更强大的流程,可以有效地管理银行系统中的各种数据问题。使用高效的深度学习技术而非传统的机器学习方法的绝佳替代。因此,我们尝试通过选择合适的人员并节省大量银行的工作量和资产来降低这—风险因素。通过我们提出系统的银行还款状态,银行可以减少不良贷款和损失的数量。所提出的方法解决了银行部门中不同类型的问题,例如,系统无法处理大量数据。系统中应用的学习技术不是很有用,并且无法管理不同的数据参数。KNN算法的准确性取决于数据的质量,对于大数据,预测阶段可能会很慢。对数据规模和无关特征更为敏感。KNN需要高内存来存储所有训练数据,并且鉴于它保留了所有训练,因此在计算上可能会有更大的开销。因此,对于我们建议的银行还款预测,深度学习方法达到了预期的结果。相对于其他机器学习算法,深度学习的主要优势在于它能够自行执行特征工程。深度学习算法将扫描数据以搜索相关的特征并将其组合在—起,以在不明确告知它们的情况下实现更快的学习。深度网络提高性能的原因在于,可以学习更复杂的非线性函数。给定足够的训练数据,这使网络可以更轻松地区分不同的类别。所提出的模型使用先进的深度学习方法在这项研究中提供了卓越的结果,还可以帮助银行机构减少潜在损失并为预测企业的新贷款申请人做出更好的预测。使用提出的模型,它可以自动推导出特征并针对所需结果进行优化修改,并自动学习数据中的各种类型的变化。当我们将结果与传统模型进行比较时,深度神经网络的准确性为82%,与随机森林相比提高了 13%,这是传统模型中的最高准确性。随机森林准确度是69%。在这项研究中,我们使用了来自Kaggle的一笔贷款申请数据(具有lac(100,000)条记录),并且实验结果表明,使用所建议的银行还款预测系统的效果令人满意。最终,这种新模型将有助于预测未来的消费贷款账簿及其还款状态,以找到好客户和坏客户。