Makine öğrenmesi yaklaşımı ile banka müşterilerinin kredi riski tahmini ve kural çıkarımı
Bank customers' credit risk estimation and rule extraction with the machine learning approach
- Tez No: 953165
- Danışmanlar: DR. ÖĞR. ÜYESİ MERT BAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
- Anahtar Kelimeler: Banka kredileri, Birliktelik kural madenciliği, Öğrenme algoritmaları, Bank credits, Association rule mining, Learning algorithms
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, kredi riski sınıflandırma problemini ele almaktadır. Makine öğrenmesi modelleriyle bankanın geçmiş müşteri kitlesinin risk sınıflarından yola çıkarak, aday müşteriler için kredi riski sınıflandırmasına ve beraberinde hem açıklanabilir hem de denetlenebilir kurallar çıkarmaya odaklanmaktadır. Lojistik Regresyon, K-En Yakın Komşular, Naive Bayes, Karar Ağaçları, SVM ve Rastgele Orman gibi denetimli öğrenme algoritmaları, Alman kredi veri kümesi üzerinde değerlendirilmiştir. Veri kümesindeki dengesiz sınıflar problemine çözüm sunmak için SMOTE tekniği uygulanmış, algoritmaların her biri için aynı özellik mühendisliği çalışmaları gerçekleştirilmiştir. En iyi sonuç %83 doğruluk ve F1 puanı ile Random Forest algoritmasından elde edilmiştir. Bu çalışmayla, Random Forest modellerinin karar mekanizmalarını açıklamaya yönelik yeni bir kural çıkarım algoritması olan“Children of the Tree (Ağacın Çocukları)”geliştirilmiştir. Bu algoritma, model çıktılarını anlamlı ve yorumlanabilir IF-THEN kuralları biçiminde sunarak, aday müşterilerin kredi riskini şeffaf biçimde değerlendirmeyi amaçlamaktadır. Kuralların geçerliliği, doğruluğu, genellenebilirliği, yaygınlığı;“support”,“confidence”,“lift”,“leverage”ve“conviction”gibi birliktelik kural madenciliği metrikleriyle sınanmıştır. Ayrıca algoritma içerisinde kullanılan Minimum Açıklama Uzunluğu (MDL) tekniği sayesinde, kural setlerinin basitliği sağlanmış ve modelin karmaşıklığı azaltılmıştır. Gerçekleştirilen uygulamalar sonucunda, Ağacın Çocukları algoritması, geçmiş verilerden türetilmiş açıklanabilir kurallarla riskli ve risksiz müşteri ayrımını başarılı şekilde gerçekleştirmiştir. Çalışma, kredi riski analizi alanında açıklanabilir yapay zekâ ve karar denetlenebilirliği açısından yenilikçi bir katkı sunmaktadır.
Özet (Çeviri)
This study addresses the problem of credit risk classification. It focuses on predicting credit risk for prospective bank customers by leveraging supervised machine learning models trained on historical risk profiles, while also extracting both explainable and auditable rules. Supervised learning algorithms such as Logistic Regression, K-Nearest Neighbors, Naive Bayes, Decision Trees, Support Vector Machines (SVM), and Random Forest were evaluated using the German Credit dataset. To overcome the class imbalance issue in the dataset, the SMOTE technique was applied, and the same feature engineering steps were carried out for each algorithm. The best result was obtained from the Random Forest model, achieving 83% accuracy and F1-score. As part of this work, a novel rule extraction algorithm called“Children of the Tree”was developed to explain the decision mechanisms of Random Forest models. The algorithm aims to transparently assess credit risk for new customers by expressing model outputs in the form of meaningful and interpretable IF-THEN rules. The validity, accuracy, generalizability, and prevalence of the rules were evaluated using association rule mining metrics such as support, confidence, lift, leverage, and conviction. Furthermore, the Minimum Description Length (MDL) principle was incorporated into the algorithm to ensure simplicity of rule sets and reduce model complexity. As a result of the experiments, the Children of the Tree algorithm successfully distinguished between risky and non-risky customers through explainable rules derived from historical data. This study offers a novel contribution to the field of credit risk analysis by enhancing explainability and decision auditability in machine learning models.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ
- Karıştırıcılar ve karıştırma kabındaki akım olaylarının incelenmesi
Başlık çevirisi yok
NADİR İLTEN
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ.DR. ÖMER SAMİH MERTBAŞ