Please use this identifier to cite or link to this item: http://hdl.handle.net/11547/8763
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCAN, Ömer Yavuz-
dc.date.accessioned2021-06-02T11:55:28Z-
dc.date.available2021-06-02T11:55:28Z-
dc.date.issued2020-
dc.identifier.urihttp://hdl.handle.net/11547/8763-
dc.description.abstractİnsanların son dönemlerde bankalardan kredi talepleri oldukça fazlalaştığı görülmektedir. Bu durum bankalar açısından olumlu bir durum gibi gözükse de aynı zamanda çok fazla risk teşkil etmektedir. Banka ve finans sektörlerinde risk yönetiminin doğru yapılması, mevcut olan kaynakların verimli ve iyi kullanılması, oluşacak riskleri tahmin ederek zamanında önlem alınmasına ile bağlantılıdır. Sorun teşkil eden kredilerin öngörülebilir olması bankalar için kararlılık açısından büyük önem taşımaktadır. Kredi almak için talepte bulunan kişilere, bankaların kredi vermesi, bankaların temel faaliyetlerdendir. Fakat bu temel faaliyet aynı zamanda riskli bir faaliyettir. Bankalar kuruluş amaçları gereği risk almaktan kaçınmazlar ve alınan bu riskleri yönetmektedirler. Bu risk yönetimini yaparken, bankaların verilen kredi tutarlarından oluşabilecek zararları en az seviyede tutabilecek şekilde risk yönetimlerini yapmaları gerekir. Bütün bu sebepler göz önünde bulundurularak, son dönemlerde bankaların kredilendirme işlemlerini hızlandırmak ve olumlu kararlar verebilmek adına veri madenciliği başta olmak üzere, farklı farklı algoritma modelleri, algoritma sınıflandırmaları, yapay sinir ağları gibi makine öğrenmesi tekniklerini kullanmaya başladıkları görülmektedir. Bu çalışmada çeşitli makine öğrenmesi tekniklerinden yararlanılarak kredi talebinde bulunan müşterilerin krediye uygun olup, olmadığının doğruluğu test edilmiştir. Veri seti olarak german credit data UCI’ de bulunan erişimi açık veri kümesi kullanılmıştır. Bu çalışmadaki veri kümesinde bulunan 1000 adet müşteri baz alınarak XGBoost sınıflandırıcısında %75,60 başarı oranı yakalanmıştır. Bu başarı oranı daha önce XGBoost sınıflandırıcısı ile yapılan çalışmalar arasında en yüksek başarı oranına sahiptir. Ayrıca yapılan diğer çalışmalarda kullanılan algoritmalar içerisinde de en yüksek başarı oranı sağlanmıştır.tr_TR
dc.subjectKredi Risk Analizitr_TR
dc.subjectMakine Öğrenmesitr_TR
dc.subjectVeri Madenciliğitr_TR
dc.titleMAKİNE ÖĞRENMESİ TEKNİKLERİ KULLANILARAK KREDİ RİSK ANALİZİtr_TR
dc.typeThesistr_TR
Appears in Collections:Tezler -- Thesis

Files in This Item:
File Description SizeFormat 
10331544.pdf2.57 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.