Feature selection and transfer learning algorithms with applications on credit risk analysis
Öznitelik seçme ve transfer öğrenme algoritmaları ve kredi risk analizi üzerine uygulamaları
- Tez No: 312075
- Danışmanlar: PROF. DR. FİKRET GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Bankalar ve perakendeciler gibi birçok finansal kurum son zamanlardaki finansal krizler ve daha katı düzenlemeler nedeniyle ağırlıkla hesaplamalı kredi risk analiz (KRA) araçlarını kullanmaktadır. Bu strateji onların finansal kurumlar havuzundaki finansal ve operasyonel risklerini yönetebilmelerini sağlar. Yapay öğrenme algoritmaları özellikle ikili sınıflandırıcılar bu amaç için çok uygundur. Öznitelik seçme algoritmaları KRA benzeri uygulamalarda veri toplama maliyetini düşürmek ve karar mekanizmasının yorumlanabilirliğini artırmak için kullanılır. Öznitelik seçme yöntemlerinin KRA veri kümelerine doğrudan uygulanması medeni durum gibi kategorik değişkenler nedeniyle başarılı olmayabilir. Buna benzer değişkenler genellikle ikili özniteliklere çevrilir ve özniteliklerin belli bir kısmını elemek veri toplama maliyeti ya da yorumlanabilirlik açısından yardımcı olmaz. Bu tezde çoklu öznitelik seçimi için özel bir öncül dağılım kullanan probit sınıflandırıcı ve özel bir çekirdek hesaplama yöntemi kullanan çoklu çekirdek öğrenimi yöntemleri geliştirdik. İki standart KRA veri kümesi üzerindeki deneyler önerilen ikili sınıflandırma algoritmalarının geçerliliğini ve etkinliğini gösterdi. KRA sistemleri için başka önemli bir özellik ise para birimi değişiklikleri gibi dimanik koşullara dayanıklıktır. Buna benzer değişikliklerden sonra sınırlı miktarda veri ile makul bir şekilde çalışmaları beklenmektedir ve transfer öğrenimi ile mevcut veriden faydalanılması bunun için en iyi stratejidir. Değişik veri kümelerini ortak bir altuzaya taşıyarak ve burada ortak bir sınıflandırıcı öğrenerek probit sınıflandırıcıyı transfer öğrenimine uyarladık. İki standart KRA veri kümesi üzerindeki deneyler transfer öğreniminin benzer durumlardaki faydasını gösterdi.
Özet (Çeviri)
Many financial organizations such as banks and retailers use computational credit risk analysis (CRA) tools heavily due to recent financial crises and more strict regulations. This strategy enables them to manage their financial and operational risks within the pool of financial institutes. Machine learning algorithms especially binary classifiers are very popular for that purpose. In real-life applications such as CRA, feature selection algorithms are used to decrease data acquisition cost and to increase interpretability of the decision process. Using feature selection methods directly on CRA data sets may not help due to categorical variables such as marital status. Such variables are usually are converted into binary features using 1-of-k encoding and eliminating a subset of features from a group does not help in terms of data collection cost or interpretability. In this thesis, we propose to use the probit classifier with a proper prior structure and multiple kernel learning with a proper kernel construction procedure to perform group-wise feature selection. Experiments on two standard CRA data sets show the validity and effectiveness of the proposed binary classification algorithm variants. Robustness against dynamic conditions such as currency changes is another important property for CRA systems. They should perform reasonably good with limited data after such changes and the best strategy is to exploit existing data using transfer learning. We also extend the probit classifier towards transfer learning by mapping different data sets into a unified subspace and learning a common classifier. Experiments on two standard CRA data sets show the usefulness of transfer learning for such cases.
Benzer Tezler
- Transfer öğrenme, özellik seçimi ve makine öğrenmesi yöntemlerine dayalı karma bir yaklaşım ile nohut tohumu çeşitlerinin çoklu sınıflandırılması
Multiple classification of chickpea seed varieties with a hybrid approach based on transfer learning, feature selection, and machine learning methods
İBRAHİM KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESİBE YALÇIN
- Aydınlatmanın görüntü işleme problemlerine etkisinin yapay zeka teknikleri kullanılarak analizi
Analysis of the effect of lighting on image processing problems using artificial intelligence techniques
BİRKAN BÜYÜKARIKAN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER
- Eğitimsel veri madenciliği ve bir uygulaması
Educational data mining and an application
YASEMİN YAKUPOĞLU
Yüksek Lisans
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAŞAR ÖZTAYŞİ
- Exploring incubation and acceleration practices in Turkey: A fuzzy set QCA approach
Türkiye'deki kuluçka merkezleri ve hızlandırıcıların pratiklerinin araştırılması: Bulanık set kalitatif karşılaştırmalı analiz yaklaşımı
OĞUZ YÜCEL
Yüksek Lisans
İngilizce
2021
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ERÇEK
- Çok-hızlı ISDN'de geniş bantlı çağırma kurma servisi ve LAN uygulamaları
Multirate ISDN wideband call processing and LAN applications
KENAN ŞAHİN
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÜNSEL DURUSOY