Evaluation of stacking for predicting credit risk scores
Kredı̇ rı̇sk puanı tahmı̇nlemenı̇n yığınlama ı̇le değerlendı̇rı̇lmesı̇
- Tez No: 638217
- Danışmanlar: DR. ÖĞR. ÜYESİ CEYDA YAZICI
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, İşletme, Statistics, Business Administration
- Anahtar Kelimeler: Kredi Puanlama, Makine Öğrenmesi, Yığınlama, Sınıflandırma, Temerrüt Olasılığı, Kredi derecelendirme, Kredi riski, Krediler, Makine öğrenmesi, Temerrüt, Yığınlama, Credit Scoring, Machine Learning, Stacking, Classification, Probability of Default, Credit rating, Credit risk, Credits, Default
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Ted Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Uygulamalı Veri Bilimi Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Geçtiğimiz birkaç yılda, kredi puanlama finansal kurumları için artan bir ilgi görmeye başladı ve popüler bir araştırma konusu haline geldi. Bu çalışmanın amacı, kredi puanlamasının tahmin performansını artırmak için makine öğrenme tekniklerine dayalı bir topluluk sınıflandırma modeli oluşturmaktır. İlk olarak; Lojistik Regresyon, Çok Değişkenli Uyarlanabilir Regresyon Eğrileri, Destek Vektör Makinaları, Rassal Ormanlar, Eksrem Gradyan Arttırma temel sınıflandırıcılar olarak seçildi ve veri kümeleri modellendi. İkinci olarak, bu temel sınıflandırıcılar aracılığıyla oluşturulan bir topluluk yığınlama modeli entegre edildi. Bu model, tahmin performansını ve etkinliğini test etmek için dört adet gerçek kredi puanlama veri kümesine uygulandı. Temel sınıflandırıcı modellerin ve yığınlama modelinin performansını değerlendirmek için dört performans metriği seçildi. Sonuçlar, önerilen modelin, tek temel model sınıflandırıcılarından kısmen daha iyi performansa sahip olduğunu göstermiştir. Bu çalışma, önerilen modelin bir alternatif olabileceğini ve finansal kurumlar için etkili bir karar desteği sağlayabileceğini göstermektedir.
Özet (Çeviri)
Over the past few years, credit scoring has got an increasing attention for the financial institutions and has become a popular research topic. The purpose of this study is to construct an ensemble classification model based on the machine learning techniques to increase the prediction performance of credit scoring. First; Logistic Regression, Multivariate Adaptive Regression Splines, Support Vector Machines, Random Forest, Gradient Boosting are selected as base classifiers and fitted on the data sets. Second, a stacked generalization ensemble model is integrated through these base classifiers. The model is evaluated on four real-life credit scoring data sets to test its prediction performance and effectiveness. Four performance metrics are chosen to evaluate performance of single base models and stacking. The results demonstrated that the model has slightly better performance than the single base model classifiers in terms of different performance criteria. This study shows that this method can be an alternative and provide an effective decision support for the financial institutions.
Benzer Tezler
- Laparoskopik parsiyel nefrektomi yapılan hastalarda perinefrik yağ dokusu özelliklerinin öngörüsünde yapay zekâ uygulamalarının değerlendirilmesi
Evaluation of artificial intelligence applications in predicting perinephric fat tissue characteristics in patients undergoing laparoscopic partial nephrectomy
EMRE FATİH KARADELİ
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ENDER ÖZDEN
- Koroner arter bypass operasyonlarında risk değerlendirmesi için makine öğrenimi tabanlı hibrit bir sistemin geliştirilmesi
Development of a machine learning based hybrid system for risk assessment in coronary artery bypass operations
AYŞE BANU BİRLİK
Doktora
Türkçe
2025
Mühendislik Bilimleriİstanbul Medipol ÜniversitesiSağlık Sistemleri Mühendisliği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. HAKAN TOZAN
DR. ÖĞR. ÜYESİ KEVSER BANU KÖSE
- Estimation of commercial building energy consumption with machine learning
Makine öğrenimi ile ticari bina enerji tüketimi tahmini
YOUSIF MURSHID MUHEALDDIN MUHEALDDIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM BUYRUKOĞLU
DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER
- Improvıng the predıctıon of oıl and gas productıon usıng artıfıcıal ıntellıgence algorıthms
Yapay zeka algoritmalarını kullanarak petrol ve gaz üretim tahminlerinin iyileştirilmesi
AZHAR NAJI MUHAJIR ALYAHYA
Yüksek Lisans
İngilizce
2025
EnerjiSakarya ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. GÜLÜZAR ÇİT
- Toplu konut değerleme için hibrit makine öğrenimi ve topluluk öğrenmesi yaklaşımı ile model mimarisi
Model architecture for mass real estate appraisalwith hybrid machine learning and ensemble learning approach
CİHAN ÇILGIN
Doktora
Türkçe
2023
Yönetim Bilişim SistemleriGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HADİ GÖKÇEN