Sınıf dengeleme yöntemlerinin makine öğrenmesi teknikleri üzerine etkisi: Kredi risk örneği

Kredi riski, bankalar tarafından geri ödenmek üzere müşterilere verilen fonların belirlenen vade sonunda yükümlülüklerin yerine getirilmemesi sonucunda oluşmaktadır. Bu durum, kredi müşterisinin temerrüde düşmesine ve itibarını olumsuz etkilemesine sebep olmaktadır. Gelişen teknoloji ile birlikte farklı alanlarda kullanılan makine öğrenmesi yöntemleri, bankaların kredilendirme sürecine uyarlanan sistem ile riskli müşterilerin tespit edilmesini kolaylaştırmıştır. Böylece, kredi talebinde bulunan müşterilerin risk durumu, hızlı ve daha doğru bir şekilde belirlenebilmesi söz konusu olmuştur. Söz konusu riskli müşterilerin belirlenmesi hem kredi riskini azaltması hem de bankaların finansal faaliyetlerine devam etmesi açısından önem arz etmektedir. Bu çalışmada, bankaların kredibilite açısından en uygun değerlendirmeyi yapabilmeleri için dengeli olmayan veri kümelerinde karşılaşılan sınıf dengesizliği sorununa çözüm bulmak için farklı yeniden örnekleme yöntemleri ile veri kümeleri dengeli hâle getirilerek makine öğrenmesi üzerindeki etkilerinin araştırılması amaçlanmıştır. Çalışmanın uygulama aşamasında, açık kaynaklı site üzerinden alınan Alman, Avustralya ve HMEQ gerçek hayat problemlerine ait kredi veri setleri kullanılmıştır. Çalışmada, riskli müşterilerin saptanması için K-En Yakın komşu, Naive Bayes, Lojistik Regresyon, Destek Vektör Makineleri, Çok Katmanlı Algılayıcı, Karar Ağaçları, Rassal Ormanlar, Gradyan Artırma Karar Ağaçları, Extra Ağaçlar, Sert ve Yumuşak Oylama gibi farklı makine öğrenmesi sınıflandırma teknikleri kullanılmıştır. Sınıf dengesizliği problemi; RUS, ROS, SMOTE-ENN, SMOTE-Tomek Links ve Balanced Bagging Classifier gibi yeniden örnekleme ve hibrit yöntemleri ile dengeli hâle getirilmiştir. Bu doğrultuda, üç farklı kredi veri kümesi üzerinde dört farklı senaryo ile inceleme yapılmıştır. Sonuç olarak, sınıf dengeleme problemi için aşağı ve yukarı örnekleme yöntemlerinin bir arada kullanıldığı hibrit yöntemin makine öğrenme tekniklerinin en iyi sınıflandırma performansına ulaşmasında yardımcı olabileceği gözlemlenmiştir. Bu yöntem, bankaların riskli müşterileri saptanmasında büyük avantaj sağlayarak kredi riskini azaltmasına yardımcı olabilecektir. Anahtar Kelimeler: Kredi Riski, Makine Öğrenmesi, Topluluk Öğrenmesi, Sınıflandırma Algoritmaları, Yeniden Örnekleme, Sınıf Dengeleme