Dengesiz kredi skorlama veri setlerinde kolektif öğrenme algoritmalarının performans değerlendirmesi
Performance evaluation of ensemble learning algorithms on unbalanced credit scoring data set
- Tez No: 597908
- Danışmanlar: PROF. DR. HÜLYA ŞAHİNTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 53
Özet
Artan kredi taleplerinin doğru analiz edilmesi ve krediyi geri ödeyen ve geri ödemeyen müşteri tanımlamalarının yapılabilmesi için kredi skorlama (KS) yöntemleri oldukça önemli bir yere sahip olmuştur. Bu nedenle, müşteri verileri analiz edilerek bireysel veya tüzel kişilerin krediyi geri ödeme noktasındaki yeterliliğini ölçmek için KS sistemleri geliştirilmiştir. KS sistemlerinde müşterinin demografik bilgileri, geçmişteki kredi ilişkilerinde sergilediği davranışlar ve finansal bilgileri kullanılarak müşteriler riskli ve risksiz müşteri olarak sınıflandırılmaktadır. Ancak günümüzdeki artan kredi başvuru sayıları bu işlemin sistemsel hesaplanarak otomatik hale getirilmesi ihtiyacını ortaya çıkarmıştır. Bu yüzden, istatistiksel ve makine öğrenme yöntemleri kullanılarak birçok kredi skorlama modeli geliştirilmiştir. Güvenilir kredi skorlama modelleri oluşturulurken karşımıza çıkan en büyük problemlerden biri de sınıflara ait örneklerin dengesiz bir dağılıma sahip olmalarından dolayı, modellerin sınıflama başarılarının düşük olmasıdır. Bu çalışmada kolektif öğrenme yöntemlerinin sınıflara ait örneklerin dengesiz dağıldığı kredi veri kümeleri üzerindeki model performansları karşılaştırılarak hangi kolektif öğrenme yönteminin seçilebileceği tartışılmıştır.
Özet (Çeviri)
Credit scoring (CS) methods have been an important role for the analysis of the increasing credit demands correctly and for the identification of the customers who repay and non-repay the loan. Therefore, CS systems have been developed to analyse various customer data and to measure the adequacy of individual or legal persons at the point of repayment of the loan. In CS systems, customers are classified as 'bad' or 'good' classes by using customer demographic information, financial information and behaviours exhibited in past credit dealings. However, nowadays, an increasing number of loan applications have revealed the need to systematically automate this process. Therefore, many credit scoring models were developed using statistical and machine learning methods. One of the challenging problems arising from the creation of reliable credit scoring models is that the models have a low classifier performance because of imbalance class distributions. In this study, the model performances of ensemble learning methods on unbalanced credit datasets are discussed which ensemble learning method can be applicable.
Benzer Tezler
- Profit-driven non-linear classification with applications to credit card fraud detection, churn prediction, direct marketing, and credit scoring
Kâr-odaklı doğrusal olmayan sınıflandırma: Kredi kart sahtekarlık tespiti, terk analizi, doğrudan pazarlama, ve kredi skorlama uygulamaları
ASHKAN ZAKARYAZAD
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. EKREM DUMAN
- Comparison of machine learning algorithms for financial evaluations
Finansal değerlendirmeler için makine öğrenmesi algoritmalarının karşılaştırılması
WUDAY COLLEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
ASSOC. DR. MEHMET GÖKTÜRK
- Classification of imbalanced credit data sets with borrower-specific cost-sensitive algorithms
Dengesiz kredi veri setlerinin borçluya özgü maliyete duyarlı algoritmalarla sınıflandırılması
YASEMİN YAMAN KANMAZ
Doktora
İngilizce
2023
BankacılıkOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
PROF. DR. AYŞE SEVTAP KESTEL
PROF. DR. ŞAHAP KASIRGA YILDIRAK
- 1929-1980 arası dünya ekonomi krizlerinin, Türkiye ve diğer az gelişmiş ülkelerin kalkınma stratejilerine etkileri
Başlık çevirisi yok
CENGİZ YAVİLİOĞLU
- Binary classification in an imbalanced dataset: An application on credit customers of a Turkish bank
Dengesiz bir veri kümesinde ikili sınıflama: Bir Türk bankası kredi müşterileri üzerinde bir uygulama
MEHMET EMRE ÖZENGEN
Yüksek Lisans
İngilizce
2023
BankacılıkBahçeşehir ÜniversitesiYaşam Boyu Öğrenme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAMER UÇAR