Integrantes:
• Agapito Cueto, Angel David
• Gutierrez Vilca, Adrian Jesus
• Ingaruca Puente, Marlon Jesus
• Miguel Herrera, Willy Roberto

Resumen:
El presente trabajo desarrolla un modelo predictivo para detectar morosidad temprana en estudiantes beneficiarios del programa Sponsor, que otorga créditos educativos en Perú. Usando técnicas de aprendizaje automático supervisado, se analizaron variables académicas, contractuales y de comportamiento de pago. Se evaluaron cinco modelos de clasificación: Regresión Logística, Árboles de Decisión, Random Forest, SVM y LightGBM. El modelo final seleccionado fue la Regresión Logística sin balanceo, por su alta precisión (1.00), recall (85%) y AUC (0.976), además de su interpretabilidad, lo que facilita su aplicación práctica.

Keywords:
Riesgo crediticio, Aprendizaje supervisado, morosidad, árbol de decisión, random forest.