Geri Dön

Makine öğrenmesi yöntemleriyle kredi riski tahmini

Credit risk prediction with machine learning

PDF İndir

  1. Tez No: 642231
  2. Yazar: HAMDİ OKUR
  3. Danışmanlar: DOÇ. DR. AYDIN ÇETİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son günlerde kişiden kişiye kredi sistemleri yaygınlaşmakta ve geleneksel bankacılık sisteminin yerine alternatif olarak ortaya çıkmaktadır. Bu sistemde kişiler sisteme kayıt olup kaynaklarını istedikleri faiz oranı ve vade ile kredi olarak sunmakta ve müşterilerini kendileri seçebilmektedir. Seçilen müşteriye hızlı bir biçimde doğru miktarda kredi verilmesi amacıyla müşteri özelliklerine göre kredi risklerinin belirlenerek risk değerine göre her müşteri grubuna uygun kredi miktarının hesaplanması gerekmektedir. Lending Club kişiden kişiye finans sistemleri içerisinde en yaygın olanıdır. Bu çalışmada, kredi riskini makine öğrenmesi yöntemleriyle hesaplamak amacıyla regresyon ve ikili sınıflama yöntemlerinin başarımları test edilerek kredi riskine etki eden etmenler araştırılmıştır. Tezde, regresyon ve ikili sınıflama yöntemleri Lending Club veri setiyle eğitilmiş ve test edilmiştir. Test sonuçlarına göre regresyon yöntemleri içerisinde en başarılı sonucu artırılmış karar ağacı regresyon algoritması elde ederken, ikili sınıflandırma türünde ise iki sınıflı karar ağacı algoritması en başarılı sonuçları vermiştir. Yapılan genel veri analizlerinde, kredi riskine etki eden etmenler öncelik derecesine göre gelir grubu, faiz oranı, bölge ve kredi kullanım türü olarak tespit edilmiştir.

Özet (Çeviri)

Recently, peer-to-peer credit systems have become widespread and emerge as an alternative to the traditional banking system. In order to give the right amount of credit to the selected customer quickly, the credit risks should be determined according to the customer characteristics and the amount of loan suitable for each customer group should be calculated according to the risk value. Lending Club is the most common peer-to-peer financial system. In this study, the factors affecting credit risk were investigated by testing the regression and binary classification methods in order to calculate credit risk with machine learning methods. In the thesis, regression and binary classification methods are trained and tested with the Lending Club data set. According to the test results, the most successful result among the regression methods was the decision tree regression algorithm, while in the binary classification type, the two-class decision tree algorithm gave the most successful results. In the general data analysis, the factors affecting credit risk were determined as income group, interest rate, region and credit use type according to priority level.

Benzer Tezler

  1. Tez No

    959215

    Comparative study of federated learning for credit risk assessment and fairness evaluation

    Federe öğrenmenin karşılaştırmalı çalışması: Kredi risk değerlendirmesi ve adalet ölçümü

    MUSTAFA AKTAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

    DR. RUŞEN HALEPMOLLASI

  2. Tez No

    767841

    Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans

    Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma

    AHMET TALHA YİĞİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bankacılıkİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  3. Tez No

    826125

    İpoteğe dayalı menkul kıymet teminat havuzunun değerlemesi ve otomatik değerleme modelleri

    Valuation of the collateral pool of mortgage-backed securities and automated valuation models

    TUĞBA GÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2023

    MaliyeAnkara Üniversitesi

    Gayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı

    PROF. DR. AYŞEN APAYDIN

  4. Tez No

    1019844

    Utilization of catboost algorithm to enhance investment and bidding strategy in the construction industry

    Nşaat sektöründe yatırım ve ihale stratejisini geliştirmek için catboost algoritmasının kullanılması

    FILIPP LIGAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR BEHZAT TOKDEMİR

  5. Tez No

    604122

    Telekomünikasyon sektöründe aboneliklerini iptal edecek müşterilerin yapay öğrenme yöntemleri ile tahmin edilmesi

    Churn prediction in telecommunication sector with machine learning methods

    AYŞE ŞENYÜREK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri MühendisliğiYıldız Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK ALP

Geri Dön