Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skutecznośc danychtransakcyjnych w przewidywaniu ryzyka kredytowego, porównując wydajnośc dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocenę zdolności predykcyjnych, możliwości interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niesplaconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostaly poddane rygorystycznemu przetwarzaniu wstępnemu i inżynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostaly intensywnie wytrenowane i ocenione przy użyciu ustalonych wskaźników, obejmujących dokladnośc, precyzję, wycofanie, wynik F1, aby kompleksowo ocenic ich skutecznośc w przewidywaniu niesplacenia kredytu. Wyniki wskazują na różne mocne strony modeli: regresja logistyczna wykazuje godną pochwaly interpretowalnośc przy jednoczesnym osiągnięciu konkurencyjnych wskaźników wydajności, podczas gdy siec neuronowa feed-forward wykazuje wyższą dokladnośc predykcyjną, aczkolwiek przy zwiększonej zlożoności i zmniejszonej interpretowalności.