Machine learning approach to the prediction of bank customer churn problem
Banka müşteri kayıt probleminin tahmin edilmesine makine öğrenme yaklaşımı
- Tez No: 802637
- Danışmanlar: PROF. DR. ILHAM HUSEYINOV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bankada Müşteri Kaybı, Destek Vektör Makinesi, Rastgele Orman, Gradient Boost, Customer Churn in Bank, Support Vector Machine, Random Forest, Gradient Boosting, SMOTE
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 63
Özet
Modern bankacılık sektöründe, müşteriler paralarını nereye yatıracaklarına karar verme konusunda çok sayıda seçeneğe sahiptir. Sonuç olarak, müşteri tutma ve kayıp çoğu banka için önemli zorluklar haline geldi. Müşteri kaybı sorununu ele almak amacıyla bu araştırma, Lojistik Regresyon, Destek Vektör Makinesi, Rastgele Orman, Gradient Boosting, eXtreme Gradient Boosting ve Light Gradient Boosting gibi çeşitli makine öğrenimi algoritmalarını kullanır. Çalışma, ilgisiz özellikleri kaldırmak ve en alakalı olanları belirlemek için bir özellik seçme tekniği kullanır. Ek olarak, ortaya çıkan veri seti SMOTE yöntemi kullanılarak dengelenir. Sınıflandırıcıların dengeli ve dengesiz veri kümelerindeki performansı, doğruluk, hatırlama, kesinlik ve genel performans açısından karşılaştırılır. Sonuçlar, dengesiz verilerle uğraşırken (SMOTE uygulanmadan önce) hiçbir sınıflandırıcının diğerlerinden daha iyi performans göstermediğini göstermektedir. Ancak, dengeli veriler söz konusu olduğunda (SMOTE uygulandıktan sonra), Rastgele Orman sınıflandırıcısı, diğer sınıflandırıcılardan önemli bir farkla daha iyi performans gösterdi.
Özet (Çeviri)
In the modern banking industry, customers have a plethora of options when it comes to deciding where to invest their money. As a result, customer retention and churn have become significant challenges for most banks. In an effort to address the issue of customer churn, this research employs various machine learning algorithms such as Logistic Regression, Support Vector Machine, Random Forest, Gradient Boosting, eXtreme Gradient Boosting, and Light Gradient Boosting. The study utilizes a feature selection technique to remove irrelevant features and identify the most relevant ones. Additionally, the resulting dataset is balanced using the SMOTE method. The performance of classifiers on balanced and imbalanced datasets is compared in terms of accuracy, recall, precision, and overall performance. The results demonstrate that no classifier outperformed others when dealing with imbalanced data (before SMOTE is applied). However, in the case of balanced data (after SMOTE is applied), the Random Forest classifier outperformed other classifiers by a significant margin.
Benzer Tezler
- Veri bilimi yöntemleri kullanılarak banka müşteri kayıplarının tahminlenmesi
Forecasting bank customer churn using data science methods
BARIŞ KAVUŞ
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriİSTANBUL NİŞANTAŞI ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEGAR SADAT SOLEIMANI ZAKERI
- A machine learning approach to predicting customer churn in the banking industry using CRISP-DM and KNIME analytics
CRISP-DM ve KNIME analitiği kullanarak bankacılık sektöründe müşteri kaybını tahmin etmeye yönelik bir makine öğrenimi yaklaşımı
MORO HUSSEINI
Yüksek Lisans
İngilizce
2023
İşletmeİbn Haldun Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
PROF. DR. MUSTAFA KEMAL YILMAZ
- Vadeli mevduat hesabı aboneliği tahmini makine öğrenmesi yaklaşımı
Machine learning approach to time deposit account subscription prediction
HİKMET SELİM TALU
Yüksek Lisans
Türkçe
2023
BankacılıkYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. FATMA NOYAN TEKELİ
- Ticari kredi limit tahmini için açıklanabilir ve yorumlanabilir makine öğrenimi modeli
An explainable and interpretable machine learning model for commercial credit limit estimation
ENES KOÇOĞLU
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiKarabük ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FİLİZ ERSÖZ
DOÇ. DR. ESRA TEKEZ
- Coğrafi bilgi sistemi tabanlı banka şubesi ve ATM lokasyon optimizasyonu: İstanbul örneği
Geographical information system based bank branch and ATM location optimization:Istanbul example
ERKAN ATABEY
Yüksek Lisans
Türkçe
2025
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI