Bankacılık sektöründe kredi ödemelerinin makine öğrenimi sınıflandırma algoritmalarına göre analizi
Analysis of loan payments in the banking sector according to machine learning classification algorithms
- Tez No: 775340
- Danışmanlar: PROF. DR. SAİT ERDAL DİNÇER
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Yöneylem Araştırması Bilim Dalı
- Sayfa Sayısı: 97
Özet
Bankacılık sektöründe verilen kredilerin geri ödenmemesi, batık kredi sorununa yol açmaktadır. Bankalar, bilançolarında ödenmeyen krediler için bir karşılık ayırmak zorundadır. Ayırmış oldukları karşılıktan daha fazla batık kredi söz konusu olduğunda ise zarar etmiş olurlar. Bu nedenle, kredi kullandırım öncesi müşterilerin krediyi ödeyip ödeyemeyeceğini analiz ederler. Banka, elindeki verileri kullanarak bu analizleri gerçekleştirir. Çalışma, özel bir bankanın müşterilerinin limit ve risk bilgilerini tutan veri seti ile gerçekleştirilmiştir. Makine öğrenimi yöntemlerinden denetimli öğrenme yöntemi kullanılmıştır. Veri seti; eğitim veri seti ve test veri seti olarak ikiye ayrılıp, ilk önce eğitim veri seti ile öğretilip daha sonra test veri setinde modellerin performansları ile değerlendirilmiştir. Model performans değerlendirme yöntemlerinden karışıklık matrisi ile sonuçlar karşılaştırılmıştır. Model performans değerlendirme ölçüleri de kullanılarak probleme uygun seçimlerde bulunulmuştur. Elde edilen modellerin değerleme ölçütlerinden doğruluk, yanlış sınıflandırma, seçicilik, kesinlik, geri çağırma, f ölçütü, geometrik ortalama, kappa değeri ve roc eğrisi ölçütleri kullanılmıştır. Makine öğrenimi sınıflandırma algoritmaları kullanılarak müşteriyi kredisini öder ve ödemez olarak sınıflandırma amaçlanmıştır. Karar ağaçları algoritmasında sınıflandırmayı başarılı olarak gerçekleştirmek için modelin performansını optimize edecek kriterler belirlenmiştir. Naive bayes, K- en yakın komşu, lojistik regresyon ve destek vektör makinesi gibi sınıflandırma algoritmalarının yanı sıra topluluk öğrenmesi olan torbalama, güçlendirme ve rastgele orman algoritması ile performansları karşılaştırılmıştır. Dengesiz veri seti ile çalışılacağı için makine öğrenimi algoritmaları aynı oranda dağılıma sahip olmayan sınıflarda güvenilir sonuç vermeyeceğinden, bunun üstesinden gelecek sınıf dengesizliği yaklaşımları kullanılmıştır. Uygulama, python ile ilgili veri bilimi kütüphaneleri yardımıyla gerçekleştirilmiştir. Bu çalışmadaki amaç, bankacılık sektöründeki kredi ödemeleri için modellemede makine öğrenimi sınıflandırma algoritmalarının yöneylem araştırmasında optimizasyon problemine katkı sağlamasıdır. Veri analizine dayalı kararları optimize etmeyi amaçlayan veri bilimi tekniklerinin yöneylem araştırması optimizasyonu problemiyle uzlaştırılması amaçlanmaktadır. Bu hedef doğrultusunda, yöneylem araştırması analitik tekniklerinin veri bilimi projelerine katkı sağlaması ve veri bilimi ile kullanım alanlarının genişletilmesi beklenmektedir. Çalışma sonucunda elde edilen bulgular, karar ağaçları algoritması kullanılarak optimal performans kriterleri belirlendikten sonra, model performans değerlendirme ölçütlerinin başarılı sonuç verdiği yönündedir. Diğer sınıflandırma algoritmaları ile karşılaştırıldığında en iyi sonucu rastgele ormanlar algoritması vermektedir. Bu algoritma, karar ağaçları algoritmasının topluluk öğrenmesi olduğu için ve bu algoritma ile de optimal performans kriterleri belirlenebildiği için, makine öğreniminde optimizasyon uygulamasının başarılı sonuçlar verdiği görülmektedir.
Özet (Çeviri)
Non-repayment of loans in the banking sector leads to the problem of bad debt. Banks have to make a provision for non-performing loans on their balance sheets. If there is more bad credit than the provision they have made, they make a loss. Therefore, banks analyze whether their customers can pay before giving the loan. The bank performs these analyses using the data at hand. The study was carried out with a data set that holds the limit and risk information of customers of a private bank. The supervised learning method, one of the machine learning methods, was used. The data set was divided into two as the training data set and the test data set, and first taught with the training data set and then evaluated with the performances of the models in the test data set. The results were compared with the confusion matrix, one of the model performance evaluation methods. Model performance evaluation measures were also used to make proper choices for the problem. Accuracy, misclassification, selectivity, precision, recall, f criterion, geometric mean, kappa value, and roc curve were used as evaluation criteria for the obtained models. Machine learning classification algorithms were used to classify the customer into loan payers and non-payers. In order to perform the classification successfully in the decision tree algorithm, criteria to optimize the performance of the model were determined. The performances of classification algorithms such as Naive Bayes, K-nearest neighbor, logistic regression, and support vector machine as well as ensemble learning bagging, reinforcement, and random forest algorithm are compared. Since machine learning algorithms will not give reliable results for classes that do not have the same distribution, class imbalance approaches are used to overcome this problem. The application was carried out with the help of data science libraries related to Python. The purpose of this study is to contribute to the optimization problem in operations research of machine learning classification algorithms in modeling for loan payments in the banking sector. It is aimed to reconcile data science techniques that aim to optimize decisions based on data analysis with the problem of operations research optimization. In this respect, it is expected that operations research analytical techniques will contribute to data science projects and their use with data science will be expanded. The conclusion of the study indicates that after determining the optimal performance criteria using the decision tree algorithm, the model performance evaluation criteria give successful results. Compared to other classification algorithms, the random forests algorithm gives the best result. Since this algorithm is the ensemble learning of the decision tree algorithm and optimal performance criteria can be determined with this algorithm, it is seen that the application of optimization in machine learning gives successful results.
Benzer Tezler
- Bankacılık sektöründe kredi ödemelerinin makine öğrenme algoritmaları ile analizi ve tahminlemesinin yapılması
Analysis and prediction of loan payments by machine learning algorithms in banking sector
ENES GEZER
Yüksek Lisans
Türkçe
2019
Bilim ve Teknolojiİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. ZÜMRÜT ECEVİT SATI
- Taahhüt firmalarında finansal analiz ve banka kredi analizine etkileri
Başlık çevirisi yok
İBRAHİM VOLKAN BODUR
- Barter ticaret işlemleri ve muhasebeleştirilmesi
Başlık çevirisi yok
MUHAMMET SIRRI ŞİMŞEK
Yüksek Lisans
Türkçe
1997
İşletmeİstanbul ÜniversitesiYönetimde Muhasebe ve Finansal Kontrol Bilim Dalı
PROF. DR. AHMET GÖKSEL YÜCEL
- TFRS 9 standardı kapsamında karşılık uygulamalarının Türk bankacılık sektörüne etkisinin incelenmesi
Investigation of the impact of provision applications on the Turkish banking sector within the scope of TFRS 9 standards
TEVFİK AYDIN
- İslami finans sektöründe blockchain teknolojisinin uygulama alanları
Application areas of blockchain technology in Islamic finance sector
MUHAMMED YAŞAR
Yüksek Lisans
Türkçe
2024
MaliyeBingöl Üniversitesiİslam İktisadı ve Hukuku Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BİLAL ÖZEL