Profit-driven spline-rule ensembles for credit scoring
Kredi puanlaması için kâr odaklı splıne kural toplulukları
- Tez No: 1010378
- Danışmanlar: PROF. DR. SÜREYYA AKYÜZ
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Spline Kural Kümesi, Kredi Skorlama, Kâr Maksimizasyonu, Yorumlanabilir Veri Bilimi, Spline-rule Ensemble, Credit Scoring, Profit Maximization, Interpretable Data
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kredi analitiği, tarihsel olarak veri odaklı tahmin modelleri aracılığıyla karar verme süreçlerini optimize etmeye odaklanmış ve özellikle doğruluğu artırmaya önem vermiştir. Ancak, Açıklanabilir Yapay Zekâ'daki (XAI) son gelişmeler, bu modelleri hem yorumlanabilir hem de iş hedefleriyle uyumlu hale getirmeye yönelik bir dönüşüm başlatmıştır. Bu makale, Spline Kural Topluluğu (SRE) çerçevesi üzerine inşa edilen ve kârlılığı en üst düzeye çıkarırken yorumlanabilirliği korumayı amaçlayan yeni bir model olan Kâr Odaklı Spline Kural Kümeleri (PROFSRE)'ni tanıtmaktadır. Geleneksel modeller yalnızca tahmin doğruluğunu veya eğri altında kalan alan (AUC) değerini ön planda tutarken, ProfSRE beklenen maksimum kâr (EMPC) gibi kâr odaklı metrikleri kullanmakta ve verideki karmaşık, doğrusal olmayan ilişkileri yakalamak için spline'lardan yararlanmaktadır. Sonuçlar, ProfSRE'nin yorumlanabilirliği korurken önemli ölçüde kârlı çıktılar sağladığını göstermektedir. Bu tez çalışması, şirketlerin net ve uygulanabilir iç görülere dayalı olarak bilinçli, kârı maksimize eden kararlar almasına yardımcı olmaktadır.
Özet (Çeviri)
Credit analytics has historically centered around optimizing decision-making through data-driven, predictive models, with a strong emphasis on improving accuracy. However, recent advancements in Explainable AI (XAI) have shifted the focus toward making these models both interpretable and aligned with business objectives. This paper introduces Profit-Driven Spline-Rule Ensembles for Credit Scoring (PROFSRE), a novel model built upon the Spline Rule Ensemble (SRE) framework, designed to maximize profitability while maintaining interpretability. Unlike traditional models that prioritize prediction accuracy or Area Under Curve (AUC), ProfSRE leverages profit-focused metrics such as Expected Maximum Profit (EMPC) and incorporates splines to capture complex, nonlinear relationships within data. The results demonstrate that PROFSRE achieves significantly profitable outcomes while maintaining interpretability. This thesis helps companies to make informed, profit-maximizing decisions based on clear and actionable insights.
Benzer Tezler
- Otel işletmelerinde maliyetlerin karlılık açısından değerlendirilmesi ve uygulama örneği
Başlık çevirisi yok
ZEKERİYA SÜMERKAN
- Devlet Malzeme Ofisi satış maliyeti ve satış hasılatı trend analizi
Başlık çevirisi yok
MUSTAFA BEREKET
