Dengesiz bir veri kümesinde ikili sınıflama: Bir Türk bankası kredi müşterileri üzerinde bir uygulama

Kredi riski değerlendirmesi, kredi kuruluşları için büyük önem taşımakta ve birçok akademik çalışma, temerrüde düşme eğilimindeki müşterileri tahmin etmeyi amaçlamaktadır. Çalışmamızda, uzun vadeye odaklanmak yerine bir ay içinde gecikme yaşama ihtimali yüksek olan müşterileri tahmin etmek için yaygın sınıflandırma algoritmaları ile ikili sınıflandırma modelleri geliştirdik. Veri kümemizin oldukça dengesiz yapısı nedeniyle, makine öğrenmesi algoritmalarından önce SMOTE aşırı örnekleme tekniğini kullandık. Modeller üç farklı yaklaşımda karşılaştırılmıştır. Hem aşırı örnekleme hem de çapraz doğrulama kullanan gelişmiş yaklaşımımızda, NB dışındaki tüm modeller, kıyaslama değeri olan %90'dan daha yüksek doğruluk elde etti. Ayrıca AUC değerleri de %84 ile %95 arasında değişiyordu. Aşırı örnekleme yapılmadığında, NB dışındaki modellerin etkisiz olduğu görüldü. Son yaklaşımda, çapraz doğrulamanın atlanmasının sonuçlarda dikkate değer farklılıklara sebep olduğu görülmüş, çapraz doğrulamanın önemi anlaşılmıştır.