Executive Summary

January 16, 2026

Comparative analysis of Machine Learning techniques for default prediction

Author: Luciane Berger da Silva — Advisor: Daniel Alvarez Firmino

Summary prepared by the ResumeAI tool, an artificial intelligence solution developed by Instituto Pecege focused on synthesis and writing.

This study analyzes and compares the performance of machine learning algorithms in credit default prediction. The research compares linear models (logistic regression) and tree-based models (decision tree, random forest), investigating the effect of preprocessing strategies, such as missing value imputation and class balancing. The objective is to identify the most suitable models, considering performance metrics and practical applicability for financial institutions, especially in imbalanced data scenarios, characteristic of credit risk.

Credit granting is fundamental for the economy, but it involves the risk of default, the non-fulfillment of contractual obligations by the borrower (Baesens et al., 2016). Effective management of this risk is crucial for the sustainability of financial institutions. Predictive analysis tools are indispensable for identifying risk patterns based on historical data, allowing for preventive measures such as adjusting limits or refusing high-risk operations (Lessmann et al., 2015; Pinto et al., 2024).

The literature on credit risk transitions from traditional statistical models to machine learning algorithms. Tree-based methods, such as random forest, demonstrate better performance in capturing non-linear interactions (Aniceto et al., 2020). However, logistic regression maintains its prominence in the financial sector due to its interpretability and regulatory acceptance (Bücker et al., 2020). The challenge is to reconcile the predictive power of advanced models with the need for transparency, motivating research into hybrid approaches (Dumitrescu et al., 2022).

Despite the advances, gaps persist in the application of these techniques. Many studies do not explore the impact of treating imbalanced data, a common characteristic in default databases, where the performing class is the majority. Imbalance can induce algorithms to a bias in favor of the majority class, resulting in models with high overall accuracy but low capacity to identify default cases. This work contributes to the literature by offering a systematic comparative analysis that evaluates different algorithms and investigates how preprocessing strategies, especially class balancing ones, influence predictive performance. By analyzing the results under multiple metrics, the study aims to provide practical insights for financial institutions on how to select and configure models that align with their objectives, whether maximizing performance or minimizing losses from false negatives.

The methodology is an applied quantitative research, which uses supervised machine learning techniques to compare predictive approaches in identifying customers at risk of default. The public database “Give me Some Credit” (Freshcorn, 2011), with 150,000 anonymized records and behavioral variables, was used. Although the North American origin of the database limits generalization to the Brazilian context, its volume and use in academic studies make it a robust environment for validating modeling techniques in imbalanced data scenarios.

Data preprocessing began with the analysis of missing values, present in the income (19.82%) and number of dependents (2.62%) variables. A chi-squared test indicated that the absence was not random. Four treatment strategies were evaluated: record exclusion; median imputation; K-Nearest Neighbors (KNN) imputation; and Multiple Imputation by Chained Equations (MICE). Each approach generated a version of the database for comparative analysis of the impact of missing data treatment on model performance.

The imbalance of the target variable, with only 7% of defaulters, was another challenge. To mitigate the risk of bias in favor of the majority class, three balancing strategies were tested: none (baseline); undersampling, which reduces the majority class; and synthetic minority oversampling technique (SMOTE), which generates synthetic observations of the minority class (He and Garcia, 2009). The comparison evaluated the impact of each on metrics sensitive to imbalance, such as sensitivity and F1-score.

The database was divided into 70% for training and 30% for testing, in a stratified manner. Three classification algorithms were implemented (Kotsiantis, 2007): logistic regression (interpretability), decision tree (non-linear patterns) (Grus, 2021), and random forest (robustness and generalization) (Breiman, 2001). Hyperparameters were optimized with RandomizedSearchCV, GridSearchCV, and 5-fold cross-validation. Performance was evaluated on the test set with a comprehensive set of metrics: Area Under the ROC Curve (AUC-ROC), Area Under the Precision-Recall Curve (AUC-PR), Gini index, accuracy, precision, recall, F1-score, Matthews Correlation Coefficient (MCC), and Brier score, ensuring a multidimensional analysis.

The logistic regression results showed that L2 regularization (Ridge) was the best configuration, which is expected in scenarios with multicollinearity (Hastie et al., 2009). Maintaining all variables was justified by the pursuit of global predictive performance (Fávero and Belfiore, 2017). The strategy of excluding missing records, without balancing or with undersampling, produced the best overall results, with an AUC-ROC of 0.803 and a sensitivity of 0.627. Imputation techniques (median, KNN, MICE) had a marginal impact. The use of SMOTE increased sensitivity to 0.670 but harmed accuracy and precision. However, the combination of MICE with SMOTE achieved the best Brier score (0.168), indicating superior calibration. This highlights a trade-off: data exclusion favors overall performance, while MICE and SMOTE may be preferable when reducing false negatives and calibration are priorities.

The decision tree model, without balancing, exhibited high accuracy (0.933) but null sensitivity, failing to identify defaulters, a documented phenomenon (Breiman et al., 1984). The use of SMOTE promoted gains, raising sensitivity to approximately 0.30. The combination of median imputation with SMOTE presented the best balance, with an AUC-ROC of 0.836 and a Brier score of 0.057. Undersampling, on the other hand, maximized sensitivity (close to 0.77), but with a significant drop in accuracy and a worsening in calibration, reinforcing the trade-off between detecting defaulters and maintaining overall robustness (Thomas et al., 2017).

The random forest was the most robust algorithm, with consistent AUC-ROC around 0.86. For global performance, the combination of median imputation without balancing stood out, with AUC-ROC of 0.861, AUC-PR of 0.384, and Brier score of 0.126. To minimize false negatives, median imputation with undersampling was the most effective, achieving the study’s highest sensitivity (0.795) and the best AUC-ROC (0.864), albeit with losses in accuracy. In contrast, strategies with SMOTE maximized accuracy but reduced sensitivity.

The final comparison, using AUC-PR as the main criterion due to the imbalance, confirmed the superiority of the random forest for overall performance. This model presented the best balance, with the highest AUC-PR (0.384), sensitivity of 0.418, and the lowest Brier score (0.126), indicating excellent discrimination and calibration. Logistic regression outperformed the decision tree in sensitivity, but with losses in other metrics, corroborating studies that point to ensembles as more stable (Isidoros and Arcozzi, 2024). In the analysis focused on minimizing false negatives (sensitivity), tree-based models were superior. The random forest led with a sensitivity of 0.795, followed by the decision tree with 0.779. Both incurred costs in precision and calibration, exemplifying the trade-off in risk management: reducing false negatives mitigates capital losses, while an increase in false positives can lead to the loss of business opportunities.

The relevance of variables and the performance of models must be contextualized. The significance of traditional variables may decrease in economic shock scenarios (Gambacorta et al., 2024), and performance can be improved with alternative data, such as psychometric information, especially for populations with limited credit history (Djeundje et al., 2021). The choice of a model should not be based solely on statistical metrics. Models with high accuracy do not always minimize the regulatory and capital costs associated with errors (Xia et al., 2022). The final decision should integrate statistical analysis with the institution’s strategic objectives, considering the financial costs of each type of error. This study provides a framework for this analysis, demonstrating how different combinations of algorithms and preprocessing align with different risk appetites.

The work demonstrated that there is no universally superior model for default prediction, but rather trade-offs between performance, interpretability, and operational impact. Logistic regression proved to be a competitive and transparent benchmark. Decision trees, sensitive to imbalance, improved with resampling techniques. Random forest was the most balanced and robust model, with the best overall performance in discrimination (AUC-ROC ≈ 0.86) and calibration. The analysis highlighted the critical role of preprocessing: undersampling was more effective in increasing sensitivity, while SMOTE, in some scenarios, favored accuracy, emphasizing the need to align the methodology with strategic objectives.

The study’s limitations include the use of a single North American database and the non-exploration of algorithms such as gradient boosting or neural networks. Future research can expand the analysis to Brazilian databases, incorporate other models, and integrate error cost metrics to quantify the financial impact. It is concluded that the objective was achieved: it was demonstrated that the choice of machine learning algorithm and data preprocessing strategies for default prediction fundamentally depends on the financial institution’s strategic objectives, highlighting a clear trade-off between overall predictive performance and the minimization of losses due to false negatives.

References:
Aniceto, G. F.; Barboza, F. L. C.; Kimura, H. 2020. Credit risk analysis using machine learning classifiers. Brazilian Review of Finance 18(4): 1–28.
Baesens, B.; Roesch, D.; Scheule, H. 2016. Credit risk analytics: measurement techniques, applications and examples in SAS. John Wiley & Sons, Hoboken, NJ, USA.
Breiman, L. 1984. Classification and regression trees. Chapman & Hall/CRC, Boca Raton, FL, USA.
Breiman, L. 2001. Random forests. Machine Learning 45(1): 5–32.
Bücker, M.; Szepannek, G.; Gosiewska, A.; Biecek, P. 2020. Transparency, auditability and explainability of machine learning models in credit scoring. Journal of the Operational Research Society 71(8): 1281–1290.
Carvalho, J. R. 2015. Credit risk analysis: fundamentals, methodologies and applications. Atlas, São Paulo, SP, Brazil.
Djeundje, V . B.; Crook, J.; Calabrese, R.; Hamid, M. 2021. Enhancing credit scoring with alternative data. Expert Systems with Applications 167: 113766.
Dumitrescu, E.; Hué, S.; Hurlin, C.; Tokpavi, S. 2022. Machine learning for credit scoring: improving logistic regression with non-linear decision-tree effects. European Journal of Operational Research 297(3): 1178–1192.
Fávero, L. P.; Belfiore, P. P. 2017. Data analysis manual: statistics and multivariate modeling with Excel®, SPSS® and Stata®. Elsevier, Rio de Janeiro, RJ, Brazil.
Fávero, L. P.; Belfiore, P. P. 2024. Data analysis: exploratory and confirmatory multivariate techniques. Elsevier, Rio de Janeiro, RJ, Brazil.
Freshcorn, B. 2011. Give Me Some Credit: 2011 Competition Data. Available at: https://www.kaggle.com/datasets/brycecf/give-me-some-credit-dataset.
Gambacorta, L.; Huang, Y.; Qiu, H.; Wang, J. 2024. How do machine learning and non-traditional data affect credit scoring? New evidence from a Chinese fintech firm. Journal of Financial Stability 73: 101284.
Grus, J. 2021. Data science from scratch: fundamental concepts with Python. 2nd ed. Alta Books, Rio de Janeiro, RJ, Brazil.
Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. Springer, New York, NY, USA.
He, H.; Garcia, E. A. 2009. Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering 21(9): 1263–1284.
Hosmer, D. W.; Lemeshow, S.; Sturdivant, R. X. 2013. Applied logistic regression. 3rd ed. John Wiley & Sons, Hoboken, NJ, USA.
ISIDOROS, I.; ARCOZZI, N. 2024. Improved convergence rates for some kernel random forest algorithms. Mathematics in Engineering 6(2): 1-22.
Kotsiantis, S. B. 2007. Supervised machine learning: a review of classification techniques. Informatica 31(3): 249–268.
Lessmann, S.; Baesens, B.; Seow, H. V.; Thomas, L. C. 2015. Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research. European Journal of Operational Research 247(1): 124–136.
Pinto, R. S.; Ywata, A.; Tessmann, R. H.; Lima, F. 2024. Are machine learning models more effective than logistic regressions in predicting bank credit risk? An assessment of the Brazilian financial markets. International Journal of Monetary Economics and Finance 17(1): 1–22.
Thomas, L. C.; Crook, J. N.; Edelman, D. B. 2017. Credit scoring and its applications. 2nd ed. SIAM, Philadelphia, PA, USA.
Xia, Y.; Zhang, C.; Li, Y.; Chen, W. 2022. A comparative study of credit scoring models. Knowledge-Based Systems 235: 107629.
Zou, H.; Hastie, T. 2005. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 67(2): 301–320.


Executive summary from the Final Course Work of the Specialization in Data Science and Analytics of the MBA USP/Esalq

Learn more about the course; click here:

Who edited this article

Most recent

You may also like

October 05, 2026

Predição da inadimplência de parcelamentos de dívidas tributárias

O parcelamento de débitos tributários constitui um instrumento relevante de recuperação fiscal, permitindo que contribuintes regularizem suas obrigações de forma parcelada, ao mesmo tempo em que expõe a administração tributária ao risco de cancelamento por inadimplência. O objetivo foi desenvolver e avaliar modelos de machine learning para a predição de cancelamento de parcelamentos de ICMS, visando subsidiar estratégias proativas de cobrança. Utilizou-se uma base de dados de parcelamentos históricos da Secretaria da Economia do Estado de Goiás. Foram treinados e comparados os algoritmos Árvore de Decisão, Random Forest e XGBoost, com otimização de hiperparâmetros via GridSearchCV e avaliação por matrizes de confusão e curvas ROC. O XGBoost apresentou desempenho superior, com AUC de 0,869 no modelo que incluiu a variável Quantidade de Parcelas e 0,778 sem ela, evidenciando a centralidade dessa feature. Aplicado à carteira ativa de R$ 2,752 bilhões, o modelo identificou que 92,9% do valor total apresentou risco de cancelamento igual ou superior a 50%, com R$ 1,488 bilhão concentrado em parcelamentos de risco extremo, resultado consistente com o comportamento histórico de cancelamentos nas fases iniciais dos acordos. Os resultados demonstraram que a adoção de modelos preditivos na gestão de parcelamentos tributários possibilita a transição de uma postura reativa para uma abordagem preventiva, com potencial de ampliar substantivamente a recuperação fiscal.

Palavras-chave: Administração tributária; Aprendizado de máquina; Classificação binária; Recuperação fiscal; XGBoost.

October 05, 2026

Sistema interativo para geração e comparação de modelos preditivos de concessões mensais de crédito rural

A capacidade de prever o volume futuro de concessões de crédito rural é essencial para a alocação eficiente de recursos e definição de metas de desembolso. O trabalho teve como objetivo desenvolver uma plataforma interativa web para gerar, analisar e comparar modelos preditivos de séries temporais de concessões de crédito rural, abrangendo o período de março de 2011 a janeiro de 2026. Confrontaram-se técnicas de econometria (ARIMA, SARIMA, SARIMAX) e regressão linear com métodos de machine learning (Random Forest, XGBoost). A metodologia incluiu a coleta de dados mensais de concessões de crédito rural, variáveis macroeconômicas e indicadores de commodities agrícolas, seguida de análise exploratória e desenvolvimento da plataforma em arquitetura cliente-servidor com Python e tecnologias web. A aplicação da plataforma à previsão de crédito rural em três cenários (total, pessoa física e pessoa jurídica), avaliada por validação cruzada temporal, revelou que nenhuma técnica se mostrou universalmente superior. Os modelos de regressão linear com defasagem sazonal apresentaram os resultados mais consistentes ao longo de todos os folds, mantendo desempenho estável mesmo em períodos de mudança de patamar, nos quais os algoritmos de árvore de decisão registraram forte degradação. O cenário de pessoa jurídica apresentou baixa previsibilidade em todos os modelos. Os resultados demonstraram que a plataforma cumpriu seu objetivo, revelando que a complexidade algorítmica não garante superioridade preditiva e que a escolha do modelo deve ser guiada pelas características da série e pelo contexto de aplicação.

Palavras-chave: Agronegócio; Forecasting; Machine learning; Modelagem preditiva; Séries temporais.

October 05, 2026

Festivais de música como plataforma de engajamento de marcas com consumidores da geração Z

Festivais de música consolidaram-se como ecossistemas complexos de experiência, nos quais a convergência entre entretenimento físico e narrativas digitais redefine as estratégias de posicionamento de marca. No cenário pós-pandemia, o setor de eventos apresentou uma retomada expressiva, estabelecendo-se como plataforma estratégica para o engajamento com a Geração Z, público que prioriza a autenticidade e a vivência de experiências compartilhadas em detrimento de formatos de publicidade tradicional. O estudo objetivou analisar de que forma as ativações de marca nesses ambientes impactaram o engajamento dos consumidores nascidos entre 1995 e 2010. A metodologia caracterizou-se por uma pesquisa quantitativa e descritiva, realizada por meio da aplicação de um questionário estruturado que obteve a participação de 163 respondentes. Os resultados demonstraram que as estratégias de marketing de experiência, especialmente as que integraram atributos estéticos e potencial de compartilhamento digital, apresentaram as maiores médias de percepção positiva. Verificou-se que a confiança na marca foi fortalecida após interações físicas bem-sucedidas, revelando uma simbiose entre o ambiente emocional do evento e a jornada digital do jovem. Em contraste, a percepção de autenticidade mediada por influenciadores digitais obteve o menor índice de concordância. Concluiu-se que o engajamento da Geração Z foi potencializado por estratégias híbridas que permitiram ao consumidor assumir o papel de protagonista na construção da narrativa da marca, priorizando a autenticidade da vivência direta.

Palavras-chave: Comportamento do consumidor; Consumo cultural; Estratégias transmídia; Influenciadores digitais; Marketing de experiência.

Compliance And Esg

October 05, 2026

Compliance para mitigar e prevenir furtos em canteiros de obras: Programa de integridade aplicado à construção civil

Furtos em canteiros de obras representam um desafio significativo para a construção civil, gerando impactos financeiros, operacionais e reputacionais. Nesse contexto, programas de integridade e compliance surgiram como ferramentas de gestão para fortalecer a governança e mitigar riscos. O estudo objetivou propor um programa de conformidade aplicado à construção civil, focado na prevenção e mitigação de furtos em canteiros de obras. Adotou-se uma abordagem qualitativa, com apoio quantitativo, desenvolvida em duas etapas. Primeiramente, realizou-se uma pesquisa de campo entre fevereiro e março de 2026, aplicando um questionário eletrônico a profissionais do setor. Em seguida, elaborou-se um estudo de caso fictício, baseado em experiências profissionais do autor, integrando os resultados da pesquisa a práticas de gestão de riscos e governança. Os resultados evidenciaram a importância da implementação de programas de compliance no setor e indicaram que a combinação de mecanismos de controle, processos estruturados, capacitação de equipes, canais de denúncia, monitoramento contínuo e fortalecimento da cultura ética pode reduzir vulnerabilidades. Concluiu-se que a adoção de práticas de integridade amplia a capacidade preventiva das organizações e aprimora a governança e a gestão de riscos no setor.

Palavras-chave: Compliance; Construção civil; Furtos; Gestão de riscos; Governança corporativa.

October 05, 2026

Painel multi-sinal para otimização da priorização de vulnerabilidades em segurança cibernética

A crescente proliferação de vulnerabilidades cibernéticas tornou inadequada a priorização baseada exclusivamente em métricas estáticas de severidade. Desenvolveu-se e avaliou-se um painel analítico multi-sinal para otimizar a priorização de vulnerabilidades cibernéticas, integrando Common Vulnerability Scoring System (CVSS), Exploit Prediction Scoring System (EPSS), critérios derivados do Stakeholder-Specific Vulnerability Categorization (SSVC) e o catálogo Known Exploited Vulnerabilities (KEV) como variável-alvo supervisionada. Consolidaram-se 137.854 registros de vulnerabilidades do NVD (2022–2025), com 607 KEVs confirmados (0,44%), caracterizando um problema de classificação com classe fortemente desbalanceada. Treinou-se um modelo Random Forest supervisionado com dez variáveis não-circulares e avaliou-se por métricas adequadas ao desbalanceamento. O modelo alcançou AUC-ROC de 0,9869 e AUC-PR de 0,4959, superando o EPSS isolado em ambas as métricas (AUC-ROC=0,9383 e AUC-PR=0,3231). A análise de discrepâncias com a abordagem determinística do SSVC revelou que 83,4% das vulnerabilidades foram sobrepriorizadas. Dos 4.584 CVEs classificados como P0, 4.029 representaram vulnerabilidades de alto risco iminente não confirmadas como exploradas, sinalizadas pelo modelo. Concluiu-se que a abordagem multi-sinal vai além da consulta ao catálogo KEV, identificando vulnerabilidades com alto potencial de exploração futura e orientando a priorização proativa de remediação.

Palavras-chave: Exploit prediction; Gestão de riscos; Gestão de vulnerabilidades; Known Exploited Vulnerabilities (KEV); Random Forest.

Neuroscience And Learning In Education

October 05, 2026

Meditação: uma ferramenta que colabora com o professor em sala de aula

O estudo objetivou levantar as práticas meditativas, seus benefícios, limitações e possibilidades de aplicação no contexto escolar, com foco científico e em publicações existentes, visando ampliar estratégias de promoção da saúde mental e bem-estar de estudantes e professores. Realizou-se uma pesquisa exploratória e descritiva, de abordagem qualitativa, fundamentada em revisão bibliográfica de artigos científicos, livros e documentos publicados nos últimos dez anos, e em relatos de experiência da pesquisadora. A metodologia incluiu a definição científica de meditação e a análise de estudos sobre meditação e atenção plena em ambientes escolares, incorporando contribuições da neurociência, mas evitando reducionismos biológicos da aprendizagem. Como resultado principal, elaborou-se uma Cartilha de Práticas Meditativas para Professores, concebida como material de apoio pedagógico complementar. Os achados indicaram que a meditação pode contribuir para a redução de sintomas de estresse, ansiedade e depressão, além de favorecer a atenção, autorreflexão, empatia e convivência. Concluiu-se que a cartilha oferece orientações simples e adaptáveis para a sala de aula, sendo uma ferramenta complementar que não substitui intervenções pedagógicas ou políticas públicas. A sustentabilidade dessas práticas requer articulação com o projeto pedagógico, apoio institucional e formação docente, integrando neurociência, pedagogia e experiência prática para uma educação mais atenta às dimensões cognitivas, emocionais, sociais e existenciais dos alunos.

Palavras-chave: Ambiente escolar; Atenção plena; Meditação; Neurociência; Saúde mental.