Analitik hiyerarşi prosesi destekli kredi skoru oluşturulması ve makine öğrenmesi ile tahmin performansı analizi
Analytic hierarchy process supported credit score construction and prediction performance analysis using machine learning
- Tez No: 957600
- Danışmanlar: PROF. DR. ALİ HAKAN BÜYÜKLÜ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 84
Özet
Son yıllarda artan kredi kullanımı, finansal kuruluşlar için önemli riskler doğurmaktadır. Özellikle Mortgage Krizi, borçluların geri ödeme güçlüğü nedeniyle kredi verenlerin ciddi kayıplar yaşamasına ve finansal sistemin istikrarının bozulmasına yol açmıştır. Bu nedenle kredi verme süreçlerinde bireylerin ekonomik, sosyolojik ve demografik özelliklerini dikkate alan puanlama sistemleriyle güvenin sağlanması kritik öneme sahiptir. Literatürde makine öğrenmesi tekniklerinin kredi riski tahmininde yüksek doğruluk sağladığı sıkça vurgulanmakta ve çoğu çalışma ikili (iyi/kötü) sınıflamaya dayanarak risk değerlendirmesi yapmaktadır. Bu çalışmanın amacı, kredi riskini 0–100 aralığında sürekli bir skorlama sistemiyle daha hassas ölçmektir. Alman Kredi veri seti kullanılarak bağımsız değişkenlerin etkileri Analitik Hiyerarşi Prosesi (AHP) ile ağırlıklandırılmış, normalize edilmiş değerler ağırlıklı toplam yöntemiyle sürekli kredi skoruna dönüştürülmüştür. Skorlar 0 ile 100 arasında olacak şekilde ölçeklendirilmiş ve risk düzeyleri sayısal olarak ifade edilmiştir. xv Bulgular, ikili etiketlemenin yanlış sınıflandırmalara yol açabildiğini göstermiştir: 'iyi' etiketiyle kredi onayı almış bazı bireyler yüksek risk grubunda; 'kötü' etiketiyle reddedilen bazı bireylerse düşük risk profili sergilemiştir. Sürekli skorlama modeli, bu nüansları açığa çıkararak bankaların temerrüt riskini daha isabetli tespit etmelerine ve güvenilir müşteri adaylarını belirleyerek portföy yönetimini dinamikleştirmelerine imkan tanımıştır. Tahmin sürecinde, veri setinin %80'i eğitim seti olarak kullanılmıştır. Lasso, Karar ağacı, Bagging ve CatBoost regresyon modelleri GridSearchCV ile hiperparametre ayarlaması yapılarak değerlendirilmiştir. Sonuçlar, Lasso ve CatBoost algoritmalarının en yüksek tahmin başarısını gösterdiğini ortaya koymuştur.
Özet (Çeviri)
In recent years, the increasing use of credit has posed significant risks for financial institutions. In particular, the Mortgage Crisis demonstrated that borrowers' repayment difficulties can lead to substantial losses for lenders and undermine the stability of the financial system. Consequently, it is critical to establish trust in lending processes through scoring systems that account for individuals' economic, sociological, and demographic characteristics. Literature frequently highlights the high accuracy of machine learning techniques in credit risk prediction, with most studies relying on binary (good/bad) classification for risk assessment. The objective of this study is to measure credit risk more precisely by using a continuous scoring system ranging from 0 to 100. We employed the German Credit dataset, weighting the independent variables via the Analytic Hierarchy Process (AHP) and converting normalized values into continuous credit scores using a weighted sum method. The scores were scaled to range from 0 to 100, and the risk levels were expressed numerically. Our findings reveal that binary labeling can lead to misclassifications: some individuals approved for credit under the 'good' label belong to a high-risk group, while others rejected under the 'bad' label exhibit low-risk profiles. The continuous xvii scoring model uncovers these nuances, enabling banks to identify default risk more accurately and to dynamically manage their portfolios by pinpointing reliable customer prospects. In the prediction process, 80% of the dataset was used as the training set. The Lasso, Decision Tree, Bagging, and CatBoost regression models were evaluated by tuning their hyperparameters using GridSearchCV. The results demonstrate that Lasso and CatBoost algorithms achieved the highest predictive performance.
Benzer Tezler
- Savunma sanayiinde sürdürülebilirlik odaklı ihracat modeli önerisi: Gemi inşa sanayii örneği
A proposal for a sustainability oriented export model in defense industry: The case of shipbuilding industry
BİLKUTAY YILMAZ
Doktora
Türkçe
2024
Gemi MühendisliğiYıldız Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN YILMAZ
- Analitik hiyerarşi prosesi yaklaşımının ses ölçme sistemi seçiminde kullanılması
An analytic hierarcy process approach to using justification of the acoustic artillery location system
SÜLEYMAN AKIN ZENGİN
Yüksek Lisans
Türkçe
2004
İşletmeİstanbul ÜniversitesiSayısal Yöntemler Ana Bilim Dalı
YRD. DOÇ. DR. MEHPARE TİMOR
- Analitik Hiyerarşi Yöntemi (AHP) kullanılarak Coğrafi Bilgi Sistemi (CBS) destekli taşınmaz değer haritası üretimi
Generating Geographical Information System (GIS ) supported real estate value map by using Analytic Hierarchy Process (AHP) method
TANSU ÖZCAN
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SAVAŞ DURDURAN
- Afet yönetiminde kritik başarı faktörlerini belirlemek için analitik hiyerarşi prosesi ve metin madenciliği destekli bir model önerisi
Proposal of an analytical hierarchy process and text mining supported model to determine critical success factors in disaster
YASEMİN KORKUT
Yüksek Lisans
Türkçe
2019
Kamu YönetimiSakarya Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL İBRAHİM CEBECİ
- Akıllı kentlerde katı atık yönetiminin yaşam döngüsü analizi destekli analitik hiyerarşi prosesi ile seçimi: Ümraniye örneği
Selection of solid waste management in smart cities using analytical hierarchy process supported by life-cycle analysis: The case of Ümraniye
SERPİL ÖZTAŞ
Doktora
Türkçe
2023
Çevre MühendisliğiGebze Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. NİHAL BEKTAŞ