DENGESİZ KREDİ SKORLAMA VERİ SETLERİNDE KOLEKTİF ÖĞRENME ALGORİTMALARININ PERFORMANS DEĞERLENDİRMESİ

Authors : Nihan ANKARA, Hulya SAHİNTURK

Pages : 180-185

Doi:10.17261/Pressacademia.2019.1089

View : 19 | Download : 11

Publication Date : 2019-07-30

Article Type : Research Paper

Abstract :Amaç- Kredi skorlama modeli geliştirilirken kullanılan veri kümelerinde sınıflara ait örneklerin dengesiz bir dağılıma sahip olmalarından dolayı, modellerin doğruluk oranı  düşük olmaktadır. Biz bu çalışmada kollektif öğrenme algoritmalarını maliyete duyarlı öğrenme yöntemiyle birlikte kullanarak elde edilen modellerin performansını karşılaştıp en etkin modellleri belirlemeye çalıştık.   Metodoloji- Bu amaçla Bagging ve AdaBoost kolektif öğrenme yöntemleri karar ağaçları, destek vektör makineleri ve k-NN temel sınıflandırıcıları ile iki farklı kredi veri seti üzerinde çalıştırılmıştır. Ayrıca Bagging ve AdaBoost için maliyet duyarlı öğrenme yöntemi kullanılarak azınlık sınıflandırma grubunun ceza puanı artırılmıştır.  Bütün bu kombinasyonlar kıyaslanmıştır. Bulgular- Maliyete duyarlı öğrenme yöntemlerinin kullanılması, hem AdaBoost hem de Bagging için performans değerlendirme ölçeği AUC açısından daha başarılı sonuçlar elde edilmesini sağlamıştır. Verideki sınıf dengesizlik oranının artması durumunda,  karar ağaçlarının temel sınıflandırıcı olduğu Bagging kolektif yönteminin AdaBoost kolektif yöntemine göre daha yüksek başarı elde ettiği gözlemlenmiştir. Sonuç- Başarısı yüksek etkili bir kredi skorlama yöntemi geliştirilmesi hala çözülmesi gereken bir problem olmasına rağmen kolektif öğrenme yöntemi ile oluşturulan modellerin bireysel sınıflandırıcılarılarla oluşturulan modellere göre daha yüksek başarı gösterdiği gözlemlenmiştir.  Bu durum literatürdeki diğer çalışma bulgularıyla da örtüşmektedir. [Maciej Zięba ve ark., 2012]
Keywords : Kredi skorlama, kolektif öğrenme, dengesiz veri seti