Makine öğrenmesi yöntemleriyle kredi riski tahmini
Credit risk prediction with machine learning
- Tez No: 642231
- Danışmanlar: DOÇ. DR. AYDIN ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
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
- 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
2023
EkonometriAnkara ÜniversitesiGayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı
PROF. DR. AYŞEN APAYDIN
- 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
- Tüketici kredi risklerinin, meta-sezgisel yaklaşımlar ileiyileştirilmiş rastgele ormanlar yöntemi aracılığıyla değerlendirilmesi
Assessment of consumer credit risk via random forests method improved with a combined meta-heuristic approach
HAZAR ALTINBAŞ
- 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
2019
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELÇUK ALP
- 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