本研究对使用机器学习算法（MLAS）从2020年到2023年进行了系统文献综述（SLR）。批判性地检查了从传统统计模型到评估信用风险的高级ML技术的过渡，重点是银行业对可靠的默认预测方法的需求。评论强调了随机森林算法在各种研究中对复杂数据集的出色处理和预测准确性的优势。此外，它将Kaggle确定为研究数据集的关键来源，强调了可访问和全面数据在开发有效的预测模型中的重要性。本文还概述了未来的研究方向，强调了大数据分析的整合，复杂的合奏方法的应用以及深度学习技术的潜力。承认某些局限性，例如研究的时间重点和数据库选择标准，它要求持续的研究以探索新兴趋势和方法论。该发现旨在指导研究人员和从业人员增强贷款默认预测模型，从而有助于更有效的信用风险管理策略。