¿Es bueno tener más y más parámetros capturados para los datos de calificación crediticia? ¿Los algoritmos comienzan a fallar / se vuelven inexactos si hay demasiados atributos en los datos? ¿Cómo se pueden erradicar los parámetros que no son muy útiles?

¡Se requiere ingeniería de características para un aprendizaje adecuado!
1) Métodos de normalización y extracción de características (PCA)
2) Métodos de selección de funciones
a) Método de envoltura, por ejemplo, algoritmo SVM-RFE
b) Enfoque de filtro, por ejemplo, T-Statistics
c) Enfoque integrado, por ejemplo, regresión lineal de regularización L1
d) Método híbrido
e) Heurística como Algoritmo Genético
(Google para saber más …)
ambos métodos se pueden usar para reducir la dimensión, pero se requiere una función de error y validación adecuadas.
Una forma simple de acercamiento
1.Utilice todas las funciones, es decir, sin reducción de dimensión (use computación distribucional si puede)
2.Ingeniería de características (como un científico de datos) pero puede haber una posibilidad de pérdida de información. Puede usar herramientas estadísticas para encontrar la correlación entre los parámetros y el resultado.