Makine öğrenmesi teknikleriyle kredi risk analizi
Credit risk analysis with machine learning techniques
- Tez No: 488005
- Danışmanlar: YRD. DOÇ. DR. AYÇA AK, DOÇ. DR. VEDAT TOPUZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Makine öğrenmesi, veri madenciliği, karar ağaçları, exchaid analizi, kredi analizi, destek vektör analizi, bulanık mantık, genetik algoritma, yapay sinir ağları analizi, Machine learning, data mining, decision trees, exchaid analysis, credit analysis, svm analysis, fuzzy logic, genetic algorithm, neural network analysis
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
Çalışmanın ilk aşamasında kredi talebine başvuran müşterilerin, kredi taleplerinin değerlendirilmesinde geri ödeme durumunu etkileyen faktörlerin objektif kararlar verilerek belirlenmesi hedeflenmiştir. Bu doğrultuda, kredi risk analizinin makine öğrenmesi teknikleriyle yapılabilmesi için, öncelikle karar ağacı analizi, destek vektör makineleri analizi, bulanık mantık ve genetik algoritma analizi uygulanmıştır, son olarak da yapay sinir ağları analizi uygulanmıştır. Çalışmanın ikinci aşamasında ise ilk aşamada yapılmış olan analizlerin sonuçları ve tahmin yüzdeleri karşılaştırılmıştır. Yapılan analizlerin sonuçları içerisinde test verilerini %76 doğruluk oranı ile en yüksek oranda sınıflandıran yöntemin yapay sinir ağları yöntemi olduğu gözlemlenmiştir. Bu amaç doğrultusunda analizde kullanılan veri kümesi UCI Machine Learning Repository*'nin açık erişimde bulunan sitesinden indirilmiştir. Bu data kümesi 1000 adet müşteri verisini içermektedir. Kullanılan müşteriler arasında iyi kredilendirilebilir alanına sahip olanlar 1 olarak kodlanmıştır ve kötü kredilendirilebilir alana sahip olanlar da 0 olarak kodlanmıştır. Analiz yapılan modelde 1 adet bağımsız değişken ve 20 adet bağımlı değişken kullanılmıştır.
Özet (Çeviri)
In the first stage of this study it was targeted that customers who applied for a loan request should determine the factors affecting the repayment status of the loan requests by making objective decision. Therefore, to be able to make credit risk analysis with machine learning techniques, first decision tree analysis, support vector machine analysis, fuzzy logic and genetic algorithm analysis were applied, then lastly neural network analysis was applied. In the second stage of this study, the results of the analyzes made in the first stage and the estimated percentages were compared. Within the results of the analyzes made, it was observed that the method that classifies the test data at the highest rate with 76% accuracy is the artifical neural network method. With this purpose, data set is used in the analysis downloaded from UCI Machine Learning Repository* open access web site. In these data set 1000 customers have been used. Among the customers who were used, the ones with the good creditability area were good coded as 1 and the ones with the bad creditability area were coded as 0. Analysis performed in this model has one independent variable and 20 dependent variables.
Benzer Tezler
- Finans sektörü için yapay öğrenme teknikleri kullanarak kredi kullanabilirliğin tespiti
Using machine learning techniques of detect the credit availability for the financial sector
ALİ TUNÇ
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERKAN ÜLKER
- Makine öğrenmesi teknikleriyle mobil ödemede sahtekarlık tespiti
Fraud detection in mobile payment with machine learning methods
ÖZLEM GÜVEN
Yüksek Lisans
Türkçe
2021
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN ARAS
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Makine öğrenmesi teknikleriyle kredi başvuru skor kartının oluşturulması
Developing credit application skorcard with machine learning techniques
NESRİN AKPINAR
Yüksek Lisans
Türkçe
2019
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. İBRAHİM DEMİR
- Evaluation of stacking for predicting credit risk scores
Kredı̇ rı̇sk puanı tahmı̇nlemenı̇n yığınlama ı̇le değerlendı̇rı̇lmesı̇
ELİF YAĞMUR DALL'ASTA RIGO
Yüksek Lisans
İngilizce
2020
İstatistikTED ÜniversitesiUygulamalı Veri Bilimi Bilim Dalı
DR. ÖĞR. ÜYESİ CEYDA YAZICI