Η διπλωματική εργασία πραγματεύεται την εφαρμογή μοντέλων μηχανικής μάθησης για την πρόβλεψη της έγκρισης αιτήσεων πιστωτικών καρτών από τράπεζες. Βασισμένη σε δεδομένα από την πλατφόρμα Kaggle, η μεθοδολογία περιλαμβάνει τη συλλογή και την επεξεργασία δεδομένων, τη χρήση τεχνικών data augmentation για την αντιμετώπιση της ανισορροπίας στα δεδομένα, και την ανάπτυξη τριών μοντέλων: Decision Trees, Random Forests, και XGBoost.

Το XGBoost αποδείχθηκε το πιο αποδοτικό μοντέλο, με AUC 1.0 και υψηλή ακρίβεια. Επιπλέον, εφαρμόστηκε το εργαλείο SHAP για την ανάλυση της σημασίας των χαρακτηριστικών, προσφέροντας ερμηνεύσιμες προβλέψεις. Σημαντικά χαρακτηριστικά για την πρόβλεψη περιλαμβάνουν τον αριθμό των μελών της οικογένειας, το συνολικό εισόδημα, και τη μηνιαία ισορροπία, ενώ οι καθυστερήσεις στις πληρωμές συνέβαλαν αρνητικά στην απόφαση του μοντέλου.

Η εργασία καταλήγει στη σημαντικότητα της χρήσης ερμηνεύσιμων μοντέλων μηχανικής μάθησης για κρίσιμες επιχειρησιακές αποφάσεις, όπως η έγκριση πιστωτικών καρτών, και προτείνει τη χρήση τέτοιων προσεγγίσεων για τη διασφάλιση δικαιοσύνης και διαφάνειας.