Evaluar Clientes ScoreBoard

Este archivo markdown es una recreación del enlace https://rpubs.com/chidungkt/442168, con algunas modificaciones propias del autor.

Las librerías

library(tidyverse) # Varios paquetes entre ellos dplyr y pylr
library(readr) # Leer datos 
library(ggplot2) # Gráficos
library(knitr) # PAra visuaiar tablas mas amigables
library(caret) # Para particionar datos

Los datos

El conjunto de datos HMEQ informa características e información de morosidad para 5960 préstamos con garantía hipotecaria.
Un préstamo con garantía hipotecaria es un préstamo en el que el deudor utiliza el capital de su casa como garantía subyacente.

datos <- read.csv("http://www.creditriskanalytics.net/uploads/1/9/5/1/19511601/hmeq.csv")
kable(head(datos))

BAD	LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DEROG	DELINQ	CLAGE	NINQ	CLNO	DEBTINC
1	1100	25860	39025	HomeImp	Other	10.5	0	0	94.36667	1	9	NA
1	1300	70053	68400	HomeImp	Other	7.0	0	2	121.83333	0	14	NA
1	1500	13500	16700	HomeImp	Other	4.0	0	0	149.46667	1	10	NA
1	1500	NA	NA			NA	NA	NA	NA	NA	NA	NA
0	1700	97800	112000	HomeImp	Office	3.0	0	0	93.33333	0	14	NA
1	1700	30548	40320	HomeImp	Other	9.0	0	0	101.46600	1	8	37.11361

kable(tail(datos))

	LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DELINQ	CLAGE	CLNO	DEBTINC
5955	88900	48919	93371	DebtCon	Other	15	1	205.6502	15	34.81826
5956	88900	57264	90185	DebtCon	Other	16	0	221.8087	16	36.11235
5957	89000	54576	92937	DebtCon	Other	16	0	208.6921	15	35.85997
5958	89200	54045	92924	DebtCon	Other	15	0	212.2797	15	35.55659
5959	89800	50370	91861	DebtCon	Other	14	0	213.8927	16	34.34088
5960	89900	48811	88934	DebtCon	Other	15	0	219.6010	16	34.57152

Las variables de los datos

El conjunto de datos tiene las siguientes características:
Son trece variables del conjunto de datos
BAD - MALO: 1 = solicitante incumplido en préstamo o gravemente moroso; 0 = préstamo pagado por el solicitante
LOAN - PRÉSTAMO: monto de la solicitud de préstamo
MORTDUE: Monto adeudado por hipoteca existente
VALUE - VALOR: valor de la propiedad actual
REASON - RAZÓN: DebtCon = consolidación de deuda; HomeImp = mejoras para el hogar
JOB - TRABAJO: categorías ocupacionales
YOJ: Años en el trabajo actual
DEROG: número de informes despectivos importantes
DELINQ: Número de líneas de crédito morosas
CLAGE: Edad de la línea de crédito más antigua en meses.
NINQ: número de consultas de crédito recientes
CLNO: número de líneas de crédito
DEBTINC - DEUDA: relación deuda-ingreso

str(datos)

## 'data.frame':    5960 obs. of  13 variables:
##  $ BAD    : int  1 1 1 1 0 1 1 1 1 1 ...
##  $ LOAN   : int  1100 1300 1500 1500 1700 1700 1800 1800 2000 2000 ...
##  $ MORTDUE: num  25860 70053 13500 NA 97800 ...
##  $ VALUE  : num  39025 68400 16700 NA 112000 ...
##  $ REASON : Factor w/ 3 levels "","DebtCon","HomeImp": 3 3 3 1 3 3 3 3 3 3 ...
##  $ JOB    : Factor w/ 7 levels "","Mgr","Office",..: 4 4 4 1 3 4 4 4 4 6 ...
##  $ YOJ    : num  10.5 7 4 NA 3 9 5 11 3 16 ...
##  $ DEROG  : int  0 0 0 NA 0 0 3 0 0 0 ...
##  $ DELINQ : int  0 2 0 NA 0 0 2 0 2 0 ...
##  $ CLAGE  : num  94.4 121.8 149.5 NA 93.3 ...
##  $ NINQ   : int  1 0 1 NA 0 1 1 0 1 0 ...
##  $ CLNO   : int  9 14 10 NA 14 8 17 8 12 13 ...
##  $ DEBTINC: num  NA NA NA NA NA ...

summary(datos)

##       BAD              LOAN          MORTDUE           VALUE       
##  Min.   :0.0000   Min.   : 1100   Min.   :  2063   Min.   :  8000  
##  1st Qu.:0.0000   1st Qu.:11100   1st Qu.: 46276   1st Qu.: 66076  
##  Median :0.0000   Median :16300   Median : 65019   Median : 89236  
##  Mean   :0.1995   Mean   :18608   Mean   : 73761   Mean   :101776  
##  3rd Qu.:0.0000   3rd Qu.:23300   3rd Qu.: 91488   3rd Qu.:119824  
##  Max.   :1.0000   Max.   :89900   Max.   :399550   Max.   :855909  
##                                   NA's   :518      NA's   :112     
##      REASON          JOB            YOJ             DEROG        
##         : 252          : 279   Min.   : 0.000   Min.   : 0.0000  
##  DebtCon:3928   Mgr    : 767   1st Qu.: 3.000   1st Qu.: 0.0000  
##  HomeImp:1780   Office : 948   Median : 7.000   Median : 0.0000  
##                 Other  :2388   Mean   : 8.922   Mean   : 0.2546  
##                 ProfExe:1276   3rd Qu.:13.000   3rd Qu.: 0.0000  
##                 Sales  : 109   Max.   :41.000   Max.   :10.0000  
##                 Self   : 193   NA's   :515      NA's   :708      
##      DELINQ            CLAGE             NINQ             CLNO     
##  Min.   : 0.0000   Min.   :   0.0   Min.   : 0.000   Min.   : 0.0  
##  1st Qu.: 0.0000   1st Qu.: 115.1   1st Qu.: 0.000   1st Qu.:15.0  
##  Median : 0.0000   Median : 173.5   Median : 1.000   Median :20.0  
##  Mean   : 0.4494   Mean   : 179.8   Mean   : 1.186   Mean   :21.3  
##  3rd Qu.: 0.0000   3rd Qu.: 231.6   3rd Qu.: 2.000   3rd Qu.:26.0  
##  Max.   :15.0000   Max.   :1168.2   Max.   :17.000   Max.   :71.0  
##  NA's   :580       NA's   :308      NA's   :510      NA's   :222   
##     DEBTINC        
##  Min.   :  0.5245  
##  1st Qu.: 29.1400  
##  Median : 34.8183  
##  Mean   : 33.7799  
##  3rd Qu.: 39.0031  
##  Max.   :203.3121  
##  NA's   :1267

Funciones a utilizar

# Function replaces NA by mean: 
replace_by_mean <- function(x) {
  x[is.na(x)] <- mean(x, na.rm = TRUE)
  return(x)
}

# A function imputes NA observations for categorical variables: 

replace_na_categorical <- function(x) {
  x %>% 
    table() %>% 
    as.data.frame() %>% 
    arrange(-Freq) ->> my_df
  
  n_obs <- sum(my_df$Freq)
  pop <- my_df$. %>% as.character()
  set.seed(29)
  x[is.na(x)] <- sample(pop, sum(is.na(x)), replace = TRUE, prob = my_df$Freq)
  return(x)
}

Limpiando y transformando datos

datosLimpios <- datos %>% 
  mutate_if(is.factor, as.character) %>% 
  mutate(REASON = case_when(REASON == "" ~ NA_character_, TRUE ~ REASON), 
         JOB = case_when(JOB == "" ~ NA_character_, TRUE ~ JOB)) %>%
  mutate_if(is_character, as.factor) %>% 
  mutate_if(is.numeric, replace_by_mean) %>% 
  mutate_if(is.factor,replace_na_categorical)

kable(head(datosLimpios, 30))

BAD	LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DEROG	DELINQ	CLAGE	NINQ	CLNO	DEBTINC
1	1100	25860.00	39025	HomeImp	Other	10.500000	0.0000000	0.0000000	94.36667	1.000000	9.0000	33.779915
1	1300	70053.00	68400	HomeImp	Other	7.000000	0.0000000	2.0000000	121.83333	0.000000	14.0000	33.779915
1	1500	13500.00	16700	HomeImp	Other	4.000000	0.0000000	0.0000000	149.46667	1.000000	10.0000	33.779915
1	1500	73760.82	101776	DebtCon	Other	8.922268	0.2545697	0.4494424	179.76628	1.186055	21.2961	33.779915
0	1700	97800.00	112000	HomeImp	Office	3.000000	0.0000000	0.0000000	93.33333	0.000000	14.0000	33.779915
1	1700	30548.00	40320	HomeImp	Other	9.000000	0.0000000	0.0000000	101.46600	1.000000	8.0000	37.113614
1	1800	48649.00	57037	HomeImp	Other	5.000000	3.0000000	2.0000000	77.10000	1.000000	17.0000	33.779915
1	1800	28502.00	43034	HomeImp	Other	11.000000	0.0000000	0.0000000	88.76603	0.000000	8.0000	36.884894
1	2000	32700.00	46740	HomeImp	Other	3.000000	0.0000000	2.0000000	216.93333	1.000000	12.0000	33.779915
1	2000	73760.82	62250	HomeImp	Sales	16.000000	0.0000000	0.0000000	115.80000	0.000000	13.0000	33.779915
1	2000	22608.00	101776	DebtCon	Other	18.000000	0.2545697	0.4494424	179.76628	1.186055	21.2961	33.779915
1	2000	20627.00	29800	HomeImp	Office	11.000000	0.0000000	1.0000000	122.53333	1.000000	9.0000	33.779915
1	2000	45000.00	55000	HomeImp	Other	3.000000	0.0000000	0.0000000	86.06667	2.000000	25.0000	33.779915
0	2000	64536.00	87400	DebtCon	Mgr	2.500000	0.0000000	0.0000000	147.13333	0.000000	24.0000	33.779915
1	2100	71000.00	83850	HomeImp	Other	8.000000	0.0000000	1.0000000	123.00000	0.000000	16.0000	33.779915
1	2200	24280.00	34687	HomeImp	Other	8.922268	0.0000000	1.0000000	300.86667	0.000000	8.0000	33.779915
1	2200	90957.00	102600	HomeImp	Mgr	7.000000	2.0000000	6.0000000	122.90000	1.000000	22.0000	33.779915
1	2200	23030.00	101776	DebtCon	Other	19.000000	0.2545697	0.4494424	179.76628	1.186055	21.2961	3.711312
1	2300	28192.00	40150	HomeImp	Other	4.500000	0.0000000	0.0000000	54.60000	1.000000	16.0000	33.779915
0	2300	102370.00	120953	HomeImp	Office	2.000000	0.0000000	0.0000000	90.99253	0.000000	13.0000	31.588503
1	2300	37626.00	46200	HomeImp	Other	3.000000	0.0000000	1.0000000	122.26667	1.000000	14.0000	33.779915
1	2400	50000.00	73395	HomeImp	ProfExe	5.000000	1.0000000	0.0000000	179.76628	1.000000	0.0000	33.779915
1	2400	28000.00	40800	HomeImp	Mgr	12.000000	0.0000000	0.0000000	67.20000	2.000000	22.0000	33.779915
1	2400	18000.00	101776	HomeImp	Mgr	22.000000	0.2545697	2.0000000	121.73333	0.000000	10.0000	33.779915
1	2400	73760.82	17180	HomeImp	Other	8.922268	0.0000000	0.0000000	14.56667	3.000000	4.0000	33.779915
1	2400	34863.00	47471	HomeImp	Mgr	12.000000	0.0000000	0.0000000	70.49108	1.000000	21.0000	38.263601
0	2400	98449.00	117195	HomeImp	Office	4.000000	0.0000000	0.0000000	93.81177	0.000000	13.0000	29.681827
1	2500	15000.00	20200	HomeImp	Other	18.000000	0.0000000	0.0000000	136.06667	1.000000	19.0000	33.779915
1	2500	25116.00	36350	HomeImp	Other	10.000000	1.0000000	2.0000000	276.96667	0.000000	9.0000	33.779915
0	2500	7229.00	44516	HomeImp	Self	8.922268	0.0000000	0.0000000	208.00000	0.000000	12.0000	33.779915

Datos de entrenamiento y datos de validación

set.seed(2020)

entrena <- createDataPartition(datosLimpios$BAD, p=0.7, list = FALSE)

datos.Entrena <- datosLimpios[entrena,]
datos.Valida <- datosLimpios[-entrena,]

kable(head(datos.Entrena, 10))

	BAD	LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DELINQ	CLAGE	NINQ	CLNO	DEBTINC
2	1	1300	70053.00	68400	HomeImp	Other	7.0	2	121.83333	0	14	33.77992
5	0	1700	97800.00	112000	HomeImp	Office	3.0	0	93.33333	0	14	33.77992
6	1	1700	30548.00	40320	HomeImp	Other	9.0	0	101.46600	1	8	37.11361
8	1	1800	28502.00	43034	HomeImp	Other	11.0	0	88.76603	0	8	36.88489
9	1	2000	32700.00	46740	HomeImp	Other	3.0	2	216.93333	1	12	33.77992
10	1	2000	73760.82	62250	HomeImp	Sales	16.0	0	115.80000	0	13	33.77992
12	1	2000	20627.00	29800	HomeImp	Office	11.0	1	122.53333	1	9	33.77992
13	1	2000	45000.00	55000	HomeImp	Other	3.0	0	86.06667	2	25	33.77992
14	0	2000	64536.00	87400	DebtCon	Mgr	2.5	0	147.13333	0	24	33.77992
15	1	2100	71000.00	83850	HomeImp	Other	8.0	1	123.00000	0	16	33.77992

kable(head(datos.Valida, 10))

	BAD	LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DEROG	DELINQ	CLAGE	NINQ	CLNO	DEBTINC
1	1	1100	25860.00	39025	HomeImp	Other	10.500000	0.0000000	0.0000000	94.36667	1.000000	9.0000	33.77992
3	1	1500	13500.00	16700	HomeImp	Other	4.000000	0.0000000	0.0000000	149.46667	1.000000	10.0000	33.77992
4	1	1500	73760.82	101776	DebtCon	Other	8.922268	0.2545697	0.4494424	179.76628	1.186055	21.2961	33.77992
7	1	1800	48649.00	57037	HomeImp	Other	5.000000	3.0000000	2.0000000	77.10000	1.000000	17.0000	33.77992
11	1	2000	22608.00	101776	DebtCon	Other	18.000000	0.2545697	0.4494424	179.76628	1.186055	21.2961	33.77992
17	1	2200	90957.00	102600	HomeImp	Mgr	7.000000	2.0000000	6.0000000	122.90000	1.000000	22.0000	33.77992
24	1	2400	18000.00	101776	HomeImp	Mgr	22.000000	0.2545697	2.0000000	121.73333	0.000000	10.0000	33.77992
28	1	2500	15000.00	20200	HomeImp	Other	18.000000	0.0000000	0.0000000	136.06667	1.000000	19.0000	33.77992
36	0	2900	104373.00	120702	HomeImp	Office	2.000000	0.0000000	0.0000000	101.54030	0.000000	13.0000	29.91586
42	1	3000	73760.82	33000	HomeImp	Other	1.000000	0.0000000	1.0000000	23.30000	1.000000	2.0000	33.77992

Del conjunto de datos orignal que contiene 5960 registros, se generan dos conjuntos de datos: de entrenamiento y de validación
El conjunto de datos de entrenamiento tiene 4172 y representa el 70% de los datos originales
El conjunto de datos de validación tiene 1788 y representa el 30% de los datos originales
El modelo de regresión logística lgm() se utiliza sobre el conjunto de datos de entrenamiento y las predicciones sobre el conjunto de datos de validación.

Modelo de Regresión logística

Se utilizan las variables independientes “LOAN”, “VALUE”, “REASON”, “JOB”, “DEROG”, “DELINQ”, “CLAGE”, “NINQ”, “CLNO”, “DEBTINC” porque son sugeridas bajo el criterio AIC del enlace:https://rpubs.com/chidungkt/442168

modelo <- glm(data = datos.Entrena, formula = BAD ~ LOAN + VALUE + REASON + JOB + DEROG + DELINQ + CLAGE + NINQ + CLNO + DEBTINC, family = binomial)
# modelo
summary(modelo)

## 
## Call:
## glm(formula = BAD ~ LOAN + VALUE + REASON + JOB + DEROG + DELINQ + 
##     CLAGE + NINQ + CLNO + DEBTINC, family = binomial, data = datos.Entrena)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.1432  -0.6000  -0.4299  -0.2685   3.9161  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   -2.637e+00  3.049e-01  -8.649  < 2e-16 ***
## LOAN          -2.321e-05  4.994e-06  -4.647 3.37e-06 ***
## VALUE          6.437e-07  9.992e-07   0.644 0.519441    
## REASONHomeImp  2.898e-01  9.861e-02   2.939 0.003296 ** 
## JOBOffice     -5.594e-01  1.766e-01  -3.168 0.001537 ** 
## JOBOther       1.977e-01  1.349e-01   1.465 0.142812    
## JOBProfExe    -2.474e-02  1.578e-01  -0.157 0.875395    
## JOBSales       1.057e+00  2.945e-01   3.591 0.000329 ***
## JOBSelf        7.433e-01  2.458e-01   3.023 0.002499 ** 
## DEROG          6.026e-01  5.982e-02  10.074  < 2e-16 ***
## DELINQ         7.605e-01  4.618e-02  16.468  < 2e-16 ***
## CLAGE         -5.837e-03  6.453e-04  -9.045  < 2e-16 ***
## NINQ           1.482e-01  2.440e-02   6.076 1.23e-09 ***
## CLNO          -1.059e-02  4.926e-03  -2.150 0.031531 *  
## DEBTINC        5.330e-02  7.229e-03   7.373 1.67e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 4193.6  on 4171  degrees of freedom
## Residual deviance: 3281.1  on 4157  degrees of freedom
## AIC: 3311.1
## 
## Number of Fisher Scoring iterations: 5

Evaluar el modelo

Comparando los valores reales con los valores ajustados
Si el valor ajustado es igual o por encima de 0.5 entonces el valor de predicho es 0

comparar <- data.frame(datos.Entrena$BAD, as.vector(modelo$fitted.values) )
# comparar

comparar <- comparar %>%
    mutate(BAD.Ajustado = if_else (modelo$fitted.values >= 0.5, 1, 0))

names(comparar) <- c("BAD", "Ajustado", "BAD.Ajustado")
kable(head(comparar))

BAD	Ajustado	BAD.Ajustado
1	0.5809177	1
0	0.1459916	0
1	0.3288479	0
1	0.3099658	0
1	0.4776954	0
1	0.4233458	0

Generando matriz de confusión del modelo generado

matriz_confusion <- table(comparar$BAD, comparar$BAD.Ajustado, dnn = c("BAD", "BAd Ajustado"))
matriz_confusion

##    BAd Ajustado
## BAD    0    1
##   0 3227  104
##   1  585  256

Precisón del modelo

n = nrow(datos.Entrena)
precision <- (matriz_confusion[1,1] + matriz_confusion[2,2]) / n

precision

## [1] 0.8348514

El modelo tiene un valor de precisón del 0.8349, significa que acierta en el 83.4851 % de los casos

Analizando el conunto de datos de Validación

predicciones <- predict(modelo, datos.Valida, se.fit = TRUE)

kable(head(predicciones$fit))

	x
1	-0.8471469
3	-1.2029851
4	-1.2117388
7	2.4929409
11	-1.2233415
17	4.4342981

Convertir predicciones en probabilidad

predicciones_prob <- exp(predicciones$fit) / (1 + exp(predicciones$fit))

kable(head(predicciones_prob))

	x
1	0.3000317
3	0.2309446
4	0.2293935
7	0.9236455
11	0.2273490
17	0.9882757

Evaluando las predicciones

Agregar una columna de los datos de validación con los valores probabilísticos de las predicciones con cbind() y con un nuevo conjunto de datos llamado las.predicciones
Agregar columna con valor 1 cuando la predicción es mayor que 0.5 y 0 cuando la predicción es menor o igual a 0.5
Verificar las columnas BAD y BAD.Predic

las.predicciones <- cbind(datos.Valida, predicciones_prob)

las.predicciones <- las.predicciones %>%
  mutate(BAD.Predic =  if_else(predicciones_prob > 0.5, 1, 0))
  
kable(head(las.predicciones[,c(1,14,15)]))

BAD	predicciones_prob	BAD.Predic
1	0.3000317	0
1	0.2309446	0
1	0.2293935	0
1	0.9236455	1
1	0.2273490	0
1	0.9882757	1

Determinando matriz de confusión del conjunto de validación

matriz_confusion <- table(las.predicciones$BAD, las.predicciones$BAD.Predic, dnn = c("BAD", "BAD Predicho"))
matriz_confusion

##    BAD Predicho
## BAD    0    1
##   0 1387   53
##   1  239  109

¿Qué tan preciso fue la predicción?

Se obtiene el total de casos de validación que se usaron para construir el modelo y se determina el valor de n

n = nrow(datos.Valida)
precision <- (matriz_confusion[1,1] + matriz_confusion[2,2]) / n

precision

## [1] 0.836689

El modelo fué capaz de clasificar y predecir correctamente 0.836689 que representa el 83.6689 % de precisión de las predicciones.
La precisión es muy parecida a la precisión de los datos de entrenamiento con los valores ajustados
El modelo fue capaz de predecir con una exactidud al 84 %, o sea que se equivocó en 16 % de los casos.
Al final con este modelo hay que decir que se puede predecir con un 84 % de exactitud una nueva observación.

Predecir cuatro nuevos peticiones de clientes

Se generan 12 vectores
Se crea un nueo data frame con los 12 vectores
Se agregan los nombre de las columnas
Se visualizan

LOAN <- c(2000, 2000, 2500,2500)
MORTDUE <- c(4000, 64536, 25116, 7229)
VALUE <- c(55000, 87400, 36350, 44516)
REASON <- c("HomeImp", "DebtCon", "HomeImp", "HomeImp")
JOB <- c("Other", "Mgr", "Other", "Self")
YOJ <- c(10, 2.5, 10, 8.92)
DEROG <- c(0, 0, 1, 0)
DELINQ <- c(0, 0, 2, 0)
CLAGE <- c(86.067, 147.13, 276.97, 208)
NINQ <- c(2, 0, 0, 0)
CLNO <- c(25, 24, 9, 12)
DEBTINC <- c(33.7799, 33.7799, 33.7799, 33.7799)

nuevas_peticiones <- data.frame(LOAN, MORTDUE, VALUE, REASON, JOB, YOJ, DEROG, DELINQ, CLAGE, NINQ, CLNO, DEBTINC)
names(nuevas_peticiones) <- c("LOAN","MORTDUE","VALUE","REASON","JOB","YOJ","DEROG","DELINQ","CLAGE","NINQ","CLNO","DEBTINC")

kable(nuevas_peticiones)

LOAN	MORTDUE	VALUE	REASON	JOB	YOJ	DEROG	DELINQ	CLAGE	NINQ	CLNO	DEBTINC
2000	4000	55000	HomeImp	Other	10.00	0	0	86.067	2	25	33.7799
2000	64536	87400	DebtCon	Mgr	2.50	0	0	147.130	0	24	33.7799
2500	25116	36350	HomeImp	Other	10.00	1	2	276.970	0	9	33.7799
2500	7229	44516	HomeImp	Self	8.92	0	0	208.000	0	12	33.7799

Realizar las nuevas predicciones

predicciones <- predict(modelo, nuevas_peticiones, se.fit = TRUE)

prediccion_prob <- exp(predicciones$fit) / (1 + exp(predicciones$fit))
prediccion_prob <- as.data.frame(prediccion_prob)

names(prediccion_prob) <- c("Prob.Predic")

kable(prediccion_prob)

Prob.Predic
0.3035312
0.1257089
0.5070368
0.2361821

Finalmente

prediccion_prob <- prediccion_prob %>%
    mutate(Prestamo = if_else(Prob.Predic > 0.5, "NO", "SI"))

kable(prediccion_prob)

Prob.Predic	Prestamo
0.3035312	SI
0.1257089	SI
0.5070368	NO
0.2361821	SI