MAKİNE ÖĞRENMESİ YAKLAŞIMI İLE BANKA MÜŞTERİLERİNİN KREDİ RİSKİ TAHMİNİ VE KURAL ÇIKARIMI

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, MATEMATİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: HİLAL MEYDAN

Danışman: Mert Bal

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, kredi riski sınıflandırma problemini ele almaktadır. Makine öğrenmesi modelleriyle bankanın geçmiş müşteri kitlesinin risk sınıflarından yola çıkarak, aday müşteriler için kredi riski sınıflandırmasına ve beraberinde hem açıklanabilir hem de denetlenebilir kurallar çıkarmaya odaklanmaktadır. Lojistik Regresyon, K-En Yakın Komşular, Naive Bayes, Karar Ağaçları, SVM ve Rastgele Orman gibi denetimli öğrenme algoritmaları, Alman kredi veri kümesi üzerinde değerlendirilmiştir. Veri kümesindeki dengesiz sınıflar problemine çözüm sunmak için SMOTE tekniği uygulanmış, algoritmaların her biri için aynı özellik mühendisliği çalışmaları gerçekleştirilmiştir. En iyi sonuç %83 doğruluk ve F1 puanı ile Random Forest algoritmasından elde edilmiştir. Bu çalışmayla, Random Forest modellerinin karar mekanizmalarını açıklamaya yönelik yeni bir kural çıkarım algoritması olan "Children of the Tree (Ağacın Çocukları)" geliştirilmiştir. Bu algoritma, model çıktılarını anlamlı ve yorumlanabilir IF-THEN kuralları biçiminde sunarak, aday müşterilerin kredi riskini şeffaf biçimde değerlendirmeyi amaçlamaktadır. Kuralların geçerliliği, doğruluğu, genellenebilirliği, yaygınlığı; "support", "confidence", "lift", "leverage" ve "conviction" gibi birliktelik kural madenciliği metrikleriyle sınanmıştır. Ayrıca algoritma içerisinde kullanılan Minimum Açıklama Uzunluğu (MDL) tekniği sayesinde, kural setlerinin basitliği sağlanmış ve modelin karmaşıklığı azaltılmıştır. Gerçekleştirilen uygulamalar sonucunda, Ağacın Çocukları algoritması, geçmiş verilerden türetilmiş açıklanabilir kurallarla riskli ve risksiz müşteri ayrımını başarılı şekilde gerçekleştirmiştir. Çalışma, kredi riski analizi alanında açıklanabilir yapay zekâ ve karar denetlenebilirliği açısından yenilikçi bir katkı sunmaktadır.