Geri Dön

Dengesiz kredi skorlama veri setlerinde kolektif öğrenme algoritmalarının performans değerlendirmesi

Performance evaluation of ensemble learning algorithms on unbalanced credit scoring data set

  1. Tez No: 597908
  2. Yazar: NİHAN ANKARA
  3. Danışmanlar: PROF. DR. HÜLYA ŞAHİNTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Matematik Mühendisliği Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. EKREM DUMAN

  2. Comparison of machine learning algorithms for financial evaluations

    Finansal değerlendirmeler için makine öğrenmesi algoritmalarının karşılaştırılması

    WUDAY COLLEY

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    ASSOC. DR. MEHMET GÖKTÜRK

  3. 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

    İngilizce

    2023

    BankacılıkOrta Doğu Teknik Üniversitesi

    Finansal Matematik Ana Bilim Dalı

    PROF. DR. AYŞE SEVTAP KESTEL

    PROF. DR. ŞAHAP KASIRGA YILDIRAK

  4. 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

    İngilizce

    2023

    BankacılıkBahçeşehir Üniversitesi

    Yaşam Boyu Öğrenme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TAMER UÇAR