Ağaç tabanlı sınıflandırma tekniklerinin dengeli olmayan veri setlerinde incelenmesi: Kredi risk örneği

Kredi riski, kredi müşterisinin bankadan ödünç aldığı fonu belirlenen vadede ödeyememesi sonucunda, bankanın varlığını tehlikeye sokabilecek bir risk türüdür. Bu nedenle kredi riskine sebep olabilecek müşterilerin doğru tespiti, bankanın faaliyetlerinin devamlılığı açısından büyük önem taşır. Bu noktada müşterilerini kredilendirmek için harekete geçen bankalar, olası kredi riskini bertaraf etmek için kredilendirme süreçlerini büyük bir titizlikle yürütmesi gerekir. Aksi takdirde, süreçte oluşacak bir zafiyet veya ihmal, kredi riskinin doğmasına ve bankanın finansal faaliyetlerinin aksamasına veyahut durmasına sebep olabilir. Özellikle teknolojinin gelişmesiyle beraber kullanımı yaygınlaşan makine öğrenmesi teknikleri, bankacılık sektöründeki kredilendirme faaliyetlerine entegre edilmiş ve kredi talebinde bulunan müşterilerin risk taşıyıp taşımadığına otomatik olarak karar veren mekanizmaların geliştirilmesine yardımcı olmuştur. Bu kapsamda müşterinin krediyi ödeyip ödeyememesinin doğru tespiti, bankanın finansal ve fiziki varlığını açısından önemli olmasına istinaden, oluşturulan karar mekanizmalarını daha güvenilir ve daha etkin hale getirmek için zamanla farklı istatistiksel ve makine öğrenmesi tekniklerinin arayışına girilmiştir. Bu çalışmada, bankaların kredilendirme faaliyetlerini otomatik olarak gerçekleştirebileceği ve aynı zamanda kredi riskini azaltarak karlılığını arttıracağı bir karar mekanizmasının oluşturulması hedeflenmiştir. Çalışma açık kaynaklı Alman, Avustralya ve HMEQ (Home Equity) kredi veri setleri üzerinde gerçekleştirilmiştir. Hedeflenen mekanizmayı oluşturmak için on bir farklı makine öğrenmesi sınıflandırma tekniği, dokuz farklı yeniden örnekleme tekniği ve bir adet değişken seçim tekniği kullanılmıştır. Sonuç olarak çalışmada en iyi performans gösteren modeller, ağaç tabanlı modeller olarak tespit edilmiştir. Bu doğrultuda, kredi riski sorununa karşılık olarak geliştirilecek mekanizmaları yukarı yeniden örnekleme tekniği ve ağaç tabanlı model kombinasyonlarıyla hazırlamak ve aynı zamanda bu mekanizmayı değişken seçim tekniği uygulanmayan veri setleriyle çalıştırmak, bankaların kredilendirme süreçlerinde daha doğru kararlar almasına olanak sağlayacağı bulgusuna ulaşılmıştır.