Nowadays, the time and resources needed to get an accurate estima-tion of a client’s ability to pay back a loan has gone up. With theamount of data complexity it involves to do the credit risk analysis, the machine learning technique has been used to ease the process.To help a bank institute get a better insight into their client’s eco-nomic state. The thesis is to present a model that could help themfind interesting information using machine learning.With many clients having nonlinear income and expenses, it madethe machine learning algorithm of choosing, in this case, Linear Re-gression, very hard to predict an accurate output, the next month’ssalary. However, interesting relations between trends and the datahave been found.

\noindent Numera har tiden och resurserna som behövs för att få en exakt uppskattning av en kunds förmåga att betala tillbaka ett lån ökat. Med mängden datakomplexitet som det innebär att göra kredit riskanalys har maskininlärnings tekniken använts för att underlätta processen. För att hjälpa ett bank institutet att få en bättre inblick i kundens ekonomiska tillstånd. Avhandlingen är att presentera en modell som kan hjälpa dem att hitta intressant information med hjälp av maskininlärning. Med många kunder som har icke-linjära inkomster och kostnader gör det maskininlärnings algoritmen att välja, i detta fall linjär regression, mycket svårt att förutsäga en exakt produktion, nästa månadslön. Intressanta relationer mellan trender och data har dock hittats.