본 연구는 개인 신용 평가의 정확도를 개선하기 위해 SMOTE와 TabNet 딥러닝 모델을 사용했다. 신용 평가 모델에서의 주된 문제는 지급 이행 데이터에 대한 과적합 경향이다. 이는 채무 불이행 사례가 적어 발생하는 문제로, SMOTE를 적용해 채무 불이행 데이터를 인위적으로 늘려 이 불균형을 해소했다. 연구에서는 TabNet 모델을 사용하여 복잡한 금융 데이터를 처리하고 전이학습으로 모델의 범용성을 향상시켰다. 이 방식은 모델이 새로운 데이터에서 보다 정확한 예측을 가능하게 하고 과적합 위험을 줄인다. 성능 평가는 불균형 데이터에 적합한 지표를 사용해 TabNet의 SMOTE 적용 효과를 비교 분석했다. 결과적으로, SMOTE와 전이학습이 통합된 TabNet 모델이 다른 버전들보다 우수한 성능을 나타냈다.
