Research Article

Makine Öğrenimi Tekniklerini Kullanarak Kredi Onayını Tahmin Etmek için İstifleme Topluluğu Yaklaşımı

DOI:

10.3791/68832

⸱

September 23rd, 2025

 , 
1VIT-AP School of Business, VIT-AP University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Kaggle verilerini kullanarak kredi onaylarını tahmin etmek için XGBoost, CatBoost (Gradyan Artırma Modeli), LightGBM (Verimli Gradyan Artırma Modeli), AdaBoost ve Ekstra Ağaçları entegre eden bir yığın topluluğu modeli geliştirmektedir. %98 doğruluk elde ederek, gelir ve kredi puanı gibi temel belirleyicileri belirleyerek kredi onayı ve/veya reddi konusunda adil ve etkili kararları teşvik eder.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dijital kredilendirme ve fintech yenilikleri, dünyanın dört bir yanındaki ülkelerde finansal katılımı ve kredi kullanılabilirliğini değiştirerek yerleşik bankacılık sistemlerini alt üst etti. Bu çalışma, eşler arası (P2P) ve dijital kredi platformlarının nasıl değiştiğini inceliyor ve yapay zeka ve makine öğrenimi gibi teknolojilerin kredilerin onaylanma şeklini nasıl değiştirdiğini vurguluyor. Literatürün kapsamlı bir çalışması, dijital kredi ekosistemindeki algoritmik risk değerlendirmesi, müşteri güveni, finansal dışlanma ve düzenleyici boşluklar gibi fırsatları ve sorunları vurgulamaktadır. Bu makale, bu sorunları ele almak amacıyla kredi onaylarını doğru bir şekilde tahmin etmek için bir yığın topluluğu modeli kullanan güçlü bir makine öğrenimi yaklaşımı önermektedir. Veriler, başvuru sahibinin demografik özelliklerini, finansal özelliklerini ve kredi geçmişlerini içeren, kamuya açık bir Kaggle veri kümesi kullanılarak tren testi bölümleme, keşif analizi ve etiket kodlaması kullanılarak önceden işlendi. XGBoost'un meta-öğrenici olarak hizmet vermesiyle topluluk, temel öğreniciler olarak Gradyan Artırma Modeli, Verimli Gradyan Artırma, AdaBoost ve Ekstra Ağaçlar sınıflandırıcılarını birleştirir. %98 doğrulukla model, doğruluk, kesinlik, geri çağırma, F1 puanı ve hata ölçümleri (MAE- Ortalama Mutlak Hata, MSE- Ortalama Kare Hatası ve RMSE- Ortalama Karekök Hatası) gibi ölçümler kullanılarak değerlendirildi. Korelasyon çalışmalarına göre varlıklar, gelir ve CIBIL puanları gibi faktörler kredi onayları üzerinde önemli bir etkiye sahiptir. Geleneksel yöntemlerden daha iyi performans gösteren model, her iki sınıfta da denge ve genelleme gösterdi. Bu modellerin otomatik, veriye dayalı kredi tespitleri için kullanışlılığı, makalenin sonuç bölümünde vurgulanmaktadır.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bankacılık sektörünün teknoloji dönüşümünün son aşamasında, yerleşik bankacılık sisteminin dışından yıkıcı yeni finansal hizmet sağlayıcılar pazara girdi1. BigTech (öncelikle doğrudan veya finansal kurumlarla kredi vermeye odaklanan büyük teknoloji şirketleri) ve FinTech (P2P kredilendirme ve geleneksel bankalara çevrimiçi kredi alternatifleri gibi modeller de dahil olmak üzere finansal teknoloji) şirketleri finans sektöründe önemli ilerlemeler kaydediyor ve bankaların dijital ortama uyum sağlama çabalarına rağmen geleneksel bankacılık için bir zorluk teşkil ediyor2. Bu hızlı evrim, geleneksel olmayan oyuncuların finansal hizmetlere erişim ve sunma şeklini giderek daha fazla yeniden şekillendirdiği finansal ekosistemde bir değişime işaret ediyor3. Dijital kredilendirmenin ortaya çıkışı, bankacılık kredisi ile negatif bir korelasyona sahiptir ve bu da yeni kredi verenler piyasaya girdikçe geleneksel bankacılığın yerini alternatif dijital krediye bırakabileceğini düşündürmektedir4. Bu geçiş, müşterilerin finansal hizmetlere olan güvenini büyük ölçüde azaltan ve finansal teknoloji veya Fintech girişimlerinin genişlemesine yardımcı olan 2008 küresel mali krizi (GFC) tarafından daha da katalize edildi5. Fintech, finansal çözümler sağlamak için teknolojinin uygulanmasını ifade eden teknoloji ve finansın birleşimi için kullanılan terimdir6. Fintech olgunlaştıkça, en dönüştürücü uygulamalarından biri, çevrimiçi borç verme hizmetleri olarak da adlandırılan P2P borç vermenin yükselişinde görüldü7. P2P kredilendirmenin birincil yeniliği, borç verenlerin ve borç alanların doğrudan eşleştirilmesidir. Borçlular küçük, teminatsız krediler için başvuruda bulunur ve borç verme platformları birçok yatırımcı tarafından kredi taleplerini değerlendirmek ve finanse etmek için kullanılır8. P2P kredilendirme, bir bankaya benzer şekilde çalışır, ancak çevrimiçi kredi verme ve borç düzenlemelerini mümkün kılmak için interneti ve en son teknolojiyi kullanır 9. Bu modelin başarısı ve ölçeklenebilirliği, 2005 yılında İngiltere'de piyasaya sürülen tarihteki ilk P2P platformu olan ZOPA.com'in piyasaya sürülmesiyle ortaya çıktı. O zamandan bu yana, çevrimiçi krediler önemli ölçüde büyüyerek 2015 yılına kadar 100 milyar doların üzerine çıktı ve 2025'te 1 trilyon doların üzerine çıkması bekleniyor10. Özellikle gelişmekte olan ekonomilerde dijital kredilendirme, Fintech entegrasyonuyla daha da gelişti11. Dijital kredilendirmede fintech entegrasyonu, özellikle gelişmekte olan pazarlarda finansal katılımı artırıyor. Mobil ödemeler ve blok zinciri çözümleri, P2P işlemlerini ve mikro kredilendirmeyi mümkün kılarak finansal hizmetlerin önündeki engelleri azaltır12. Bu paradigma değişimi, daha kapsayıcı, verimli ve müşteri odaklı bir finansal ortam yaratmak için blockchain, yapay zeka (AI), makine öğrenimi ve dijital ödeme sistemleri gibi teknolojilerin dahil edilmesiyle yönlendiriliyor13. Dijital kredi platformları, başvuruları hızlandırmak, giderlerden tasarruf etmek ve kredi riski değerlendirmesini geliştirmek için teknolojiyi kullanarak küçük firmaların ve bireylerin daha hızlı finansman almasına olanak tanır14. Borçlu değerlendirmesini iyileştirmek, maliyetleri düşürmek ve finansal katılımı teşvik etmek için büyük veri, blok zinciri, yapay zeka ve makine öğrenimini kullanıyorlar15. Özellikle makine öğrenimi, alternatif veri kaynaklarından yararlanarak risk yönetiminde devrim yarattı16. Geleneksel olmayan verilerden yararlanarak, borçlu notlarını artırarak ve ekonomik gelişmeleri tahmin ederek geleneksel kredi değerlendirme yaklaşımlarını geride bırakır17. Bu yöntem, borçlu değerlendirmelerinin doğruluğunu artırarak ve ekonomideki değişimlerin tahmin edilmesine yardımcı olarak temerrüt riskini azaltır18. Dijital kredilendirmenin en önemli etkilerinden biri, özellikle gelişmekte olan ekonomilerde ve marjinal bölgelerde finansal katılımın zorluklarını ele alma yeteneğidir19.

Yapılandırılmış bir Kaggle veri kümesi kullanarak kredi kabulünü yüksek doğrulukla tahmin etmek için bu makale, Gradyan Artırma Modeli, Verimli Gradyan Artırma Modeli, AdaBoost, Ekstra Ağaçlar ve XGBoost'u birleştiren yeni bir istifleme topluluğu modeli önermektedir. Tahmine dayalı uyarlanabilirliği ve genellemeyi geliştirmek için, bu yöntem, sıklıkla tek modeller veya geleneksel sınıflandırıcılar kullanan önceki araştırmaların aksine, birkaç ileri düzey öğrenciyi bir meta-sınıflandırıcı olarak XGBoost ile birleştirir. Model, %98'lik etkileyici bir doğruluk oranıyla hem kabul edilen hem de reddedilen kredi sınıflarında iyi performans gösterdi. Bu metodolojik gelişme, dijital kredi ortamlarında, özellikle de gelişmekte olan finansal ekosistemlerde kredi onay kararlarını otomatikleştirmek için uygulanabilir ve genişletilebilir bir yol sağlar.

Bu araştırmanın amacı, Gradyan Artırma Modeli, Verimli Gradyan Artırma Modeli, AdaBoost, Ekstra Ağaçlar ve XGBoost'u birleştirerek kredi kabulünü doğru bir şekilde tahmin eden dijital kredilendirme için güçlü bir istifleme topluluğu modeli oluşturmaktır. Ek olarak, önemli demografik ve finansal değişkenlerin (gelir, varlık değeri ve CIBIL-Kredi Bilgi Bürosu (Hindistan) Sınırlı Puanı) kredi seçimlerini nasıl etkilediğini incelemeyi, sınıflandırma ve hata ölçümlerini kullanan daha geleneksel modellere kıyasla topluluk modelinin ne kadar iyi performans gösterdiğini değerlendirmeyi ve topluluk yaklaşımlarının verimliliği, genellemeyi ve adaleti nasıl artırabileceğini vurgulamayı amaçlamaktadır. Birincil amaç, başvuru sahibi özelliklerinin kredi onayını nasıl etkilediğini istatistiksel olarak analiz etmek ve topluluk öğrenme algoritmalarının performansını değerlendirmektir.

P2P ve dijital kredilendirme, hem fırsatlar hem de zorluklar sunarak finansal ortamı küresel olarak dönüştürmeye devam ediyor.

Dijital kredilendirme, geleneksel bankacılığa bir alternatif sunarak küresel finans ortamını hızla dönüştürüyor20. Bu küresel görünüm, bölgesel bağlamların dijital kredi olgunluğunu nasıl benzersiz bir şekilde şekillendirdiğinin altını çiziyor. Dijital kredilendirme genişliyor ancak teknolojik olarak olgunlaşmamış durumda, otomasyon ve tahmine dayalı puanlama verimlilik getiriyor ve platformlar hala geçmiş kontrolleri için büyük ölçüde üçüncü taraf sistemlere bağımlı ve bu da sağlamlığı sınırlıyor21. Hızlı genişlemesine rağmen, gelişmekte olan ülkelerdeki yetişkinlerin tahminen %44'ünün resmi finansal hizmetlere erişimi olmaması, acil reform, daha iyi altyapı ve dijital okuryazarlık girişimleri gerektirmesi nedeniyle finansal dışlanma küresel olarak önemli bir sorun olmaya devam ediyor. Bu tür sınırlamalar, yakınlaşan diğer sektör vurgularında, veri işlemede devam eden zorluklarda ve sistem entegrasyonunda da ortaya çıkmaktadır22. Dijital entegrasyon derinleştikçe, Fintech alanındaki güvenlik açıkları artıyor. Bunları ele almak için, dijital işlemleri korumak için güvenlik odaklı bir çerçeve önerilmiştir23. Diğer gelişmekte olan piyasalarda da benzer gelişmeler gözlenmektedir. Kenya'da, mobil para ve dijital kredi uygulamaları finansal erişimi iyileştirirken, veri gizliliği kalıcı bir endişe olmaya devam ediyor ve son düzenlemelerin sınırlı etkisi var, bu da daha güçlü uygulama mekanizmalarına, resmi denetimlere ve açık geliştirme yönergelerine ihtiyaç olduğunu gösteriyor24. Bu, düzenleyici çerçevelerin genellikle fintech inovasyonunun gerisinde kaldığı daha geniş bir eğilimi yansıtıyor. Fintech'in düzenleyici ortamı geleneksel bankacılıktan farklıdır. Örneğin, krediler yüksek riskli olmadığı sürece, kolluk kuvvetlerinin fintech25'teki faiz oranları üzerinde daha az etkisi vardır. Özellikle, yasa dışı fintech büyümesini ve gizlilik ihlallerini engellemek için gelişmiş denetime, veri analitiği kullanımına ve düzenleyici güncellemelere güçlü bir ihtiyaç vardır26. Düzenlemenin ötesinde, dijital kredilendirmenin başarısı aynı zamanda güvene de bağlıdır, bu nedenle güven, kredi verme kararlarında kritik bir rol oynar. Avcılara duyulan güven, aracılara göre daha etkilidir27.

Hindistan'ın dijital kredi ekosisteminde de paralel bir evrim görülüyor28. Dijital borç verme işi, fintech'teki ilerlemeler, Hindistan Merkez Bankası (RBI) tarafından uygulanan yararlı düzenleyici önlemler ve COVID-19 salgınının ardından tüketici güvenindeki artış nedeniyle hızla genişliyor29. Ancak, yenilikle birlikte risk de gelir. Lisanssız dijital kredi uygulamaları veya platformları erişimi iyileştirirken, zayıf düzenlemeler nedeniyle taciz, yüksek faiz oranları ve verilerin kötüye kullanılması gibi ciddi tüketici riskleri oluşturmaktadır. Bu nedenle, tüketicinin korunması ve hesap verebilirliğin güçlendirilmesi, sorumlu finansal katılımın teşvik edilmesi açısından kritik öneme sahiptir30. Borçlu temerrütlerinin ve hileli başvuruların tehlikeleri dijital krediler için önemlidir; iyi tüketici koruma önlemleri yalnızca tüketicileri korumakla kalmaz, aynı zamanda veri güvenliği ve şeffaflığı Varlık Kârlılığı (ROA) ve Özsermaye Kârlılığı (ROE) gibi kârlılık göstergelerini iyileştirdiğinden finansal performansı da olumlu yönde etkiler31. Küresel olarak, kredi oluşturma sistemlerinin iyileştirilmesine, mobil teknolojinin kullanımının teşvik edilmesine ve düzenleyici standartların ve tüketici beklentilerinin karşılanmasına yönelik net stratejilerin geliştirilmesine artan vurgu yapılarak operasyonel iyileştirmelere önemli bir vurgu yapılmaktadır32. Bu riskleri ele almak için, yüksek riskli borç verenleri tahmin etmek için gelişmiş analitik ve yapay zeka giderek daha fazla kullanılıyor, başarısız krediler, geri ödeme süresi ve kredi puanlaması gibi göstergeleri kullanarak aykırı değer tespitinin etkili olduğu kanıtlandı33. Sosyo-teknik modeli bir rehber olarak kullanarak, risklerin hem paydaşlardan hem de platform tasarımı ile organizasyonel bileşenler arasındaki karşılıklı bağımlılık eksikliğinden kaynaklandığını keşfettik34. UTAUT2 gibi dinamik modellerin benimsenmesi, kullanıcının benimsemesini açıklamada hakimdir ve güven, borçlanma niyetinin önemli bir belirleyicisi olarak ortaya çıkmaktadır35. Rastgele Orman ve SVM modelleri gibi makine öğrenimi tabanlı dolandırıcılık tespit algoritmaları da kullanılmaktadır36. Çalışmanın bulgularına göre, makine öğrenimi modelleri kişisel kredi bilgilerini yeterince değerlendirebilir ve kredi temerrüdü olasılığını belirleyebilir; Derin sinir ağı en iyi performansı gösterdi (doğruluk: 0,94)37. Naïve Bayes'in %94 doğrulukla kullanıldığı çalışmada, faiz oranı, geri ödeme süresi, açıklama, kredi notu, kredi geçmişi, cinsiyet ve kredi puanı gibi özelliklerin kredi başarısı üzerinde önemli bir etkisi olduğu ortaya çıktı38. Bu arada, hem ön ödeme hem de temerrüt riski olasılıkları mevcut, kredinin feshi ve alacaklılar için kar kaybı ile sonuçlanan önemli olaylar çok değişkenli lojistik regresyon kullanılarak tahmin edilmiş ve modelin genel doğruluğu %76,63 olmuştur.39. Araştırmaya göre, Dijital kredi platformlarındaki temerrüt riskini tahmin etmek için Verimli Gradyan Artırma Modeli kullanılarak kredi veren kulüplerin geliri %68 gibi yüksek bir doğrulukla artırılabilir40. Eş zamanlı olarak, çeşitli değişkenleri (uygulama kullanımı ve davranış kalıpları gibi) birleştiren ve özellikle geçmiş verilerin sınırlı olduğu durumlarda geleneksel tekniklerden daha iyi performans gösteren derin çoklu görüntüleme öğrenimi gibi daha karmaşık yapay zeka modelleri de gelişiyor41. Çin'de yapılan araştırmalar, Gradient Boosting Model ve LGBM gibi modellerin geleneksel krediye dayalı değerlendirmelerden daha iyi performans göstermesiyle, temerrüt tahminlerinin ve finansal katılımın iyileştirilmesinin sağlandığını doğruluyor42Sistem dinamik modellemesi aynı zamanda P2P platformlarındaki faiz oranı dalgalanmalarının simüle edilmesine de yardımcı olarak çeşitli koşullar altında borçlu yatırımcı davranışına ilişkin içgörü sunar43. Verimli Gradyan Artırma Modeli'nin varsayılan tahmini ve platform karlılığını iyileştirdiği gösterilmiştir40derin sinir ağları da uygun eğitim verildiğinde geleneksel modellerden daha iyi performans gösterir37ve daha iyi risk yönetimi yoluyla dijital pazarları istikrara kavuşturun44sürdürülebilirliği sağlamak için, Robotik Süreç Otomasyonu gibi düzenleyici teknolojiler ilgi görüyor ve finansal kurumların düzenleyici gereklilikleri iş planlarıyla uyumlu hale getirmesine, uyumluluğu ve operasyonel verimliliği artırmasına yardımcı oluyor45. tablo 1 makine öğreniminin dijital borç verme ve kredi onay süreçlerinde uygulanmasını araştıran temel çalışmaları özetler.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Veri toplama

Bu çalışmada Kaggle'da bulunan Kredi Onay Tahmin Veri Seti kullanılmıştır. Veri seti Şubat 2025'te çıkarıldı ve kredi verilerini değerlendirmeyi ve kredi onay sonuçlarını tahmin etmeyi amaçlayan 4269 kayıttan oluşuyor. Başvuru sahiplerinin istihdam durumu, bakmakla yükümlü oldukları kişiler, serbest meslek sahipleri, kredi tutarı, kredi vadesi, CIBIL puanları, mali geçmiş ve krediye özgü özellikler gibi demografik profillerine ilişkin ayrıntılı bilgileri içeren 12 sütun içerir. Veri kümesi, Pandas kitaplığı kullanılarak içe aktarıldı ve yapısını ve kalitesini anlamak için df.head () kullanılarak görsel olarak incelendi.

Veri ön işleme

Veri ön işleme aşamasında ilk adım, tahmin değerinin olmaması ve modele gürültü getirme potansiyeli nedeniyle tanımlayıcı sütunun (loan_id) kaldırılmasını içeriyordu. İkinci adım, eğitim, serbest meslek sahibi ve loan_status gibi kategorik değişkenlerin sayısal temsillere dönüştürüldüğü etiket kodlamayı içeriyordu. Bu dönüşüm, sklearn.preprocessing modülünden Label Encoder kullanılarak gerçekleştirildi. Spesifik olarak, eğitim Mezun için 0 ve Mezun Değil için 1 olarak kodlandı; Hayır için 0 ve Evet için 1 ve hedef değişken loan_status Onaylanmadı için 0 ve Onaylandı için 1 olarak self_employed. Bu dönüşümler, özellikle dijital kredi uygulamaları için sayısal girdiler gerektiren makine öğrenimi modelleriyle uyumluluğu sağlamak için gerekliydi. Özellikler, X=df.drop (["loan_status"], axis=1) ve y=df ["loan_status] kullanılarak hedef değişkenden ayrıldı. Bu kurulum, birden fazla topluluk makine öğrenimi modelini eğitmek için geçmiş kredi kayıtlarını kullanarak kredi onay kararlarını etkileyen faktörleri incelemek için kapsamlı bir temel sağladı. Bu modellerin, birden fazla sınıflandırıcının tahmin güçlerini birleştirerek genel doğruluğu ve sağlamlığı artırması amaçlanmıştır.

İşlenen veri kümesi daha sonra sklearn.model_selection'deki train_test_split işlevi kullanılarak eğitim ve test alt kümelerine bölündü ve verilerin %80'i eğitim için kullanıldı ve %20'si test için ayrıldı. Bu, performans değerlendirmesi için temsili bir örnek tutarken modelin verilerin yeterince büyük bir kısmı üzerinde eğitilmesini sağladı. Veri kümesinin temizlenmesi, yapılandırılması ve istatistiksel olarak araştırılmasıyla, kredi onayı sınıflandırmasında tahmin doğruluğunu artırmayı amaçlayan sağlam bir makine öğrenimi çerçevesinin uygulanmasının temeli atıldı. Model geliştirme, dört topluluk tabanlı makine öğrenimi algoritması kullanılarak gerçekleştirildi: Gradyan Artırma Modeli, AdaBoost, Verimli Gradyan Artırma Modeli ve Ekstra Ağaç Sınıflandırıcı. Bunlar, yapılandırılmış, tablo halindeki verileri içeren sınıflandırma görevlerinde kanıtlanmış performansları nedeniyle seçilmiştir. Gradient Boosting Model kitaplığından uygulanan Gradient Boosting Model Sınıflandırıcısı, varsayılan ayarlarla (yinelemeler=1000, öğrenme oranı=0.1, derinlik=6, ayrıntılı=False) başlatıldı. Kullanılarak eğitildi. fit (x_train, y_train) ve .predict (X_test) ile değerlendirildi. Gradyan Artırma Modeli kategorik veri kodlamasını otomatik olarak işlese de, veriler zaten etiketle kodlanmış olduğundan bu özellik kullanılmadı. AdaBoost Sınıflandırıcısı (zayıf öğrencileri iyileştiren Adaptive Boosting) sklearn-ensemble kullanılarak uygulandı. AdaBoost Sınıflandırıcı, varsayılan temel tahmin aracı olarak karar kütükleri kullanılarak n_estimators=100 ve learning_rate=1.0 ile yapılandırıldı. Benzer bir şekilde eğitildi ve değerlendirildi, yanlış sınıflandırılmış örneklerin yinelemeli ağırlıklandırılması yoluyla sağlamlığa katkıda bulundu. Verimli Gradyan Artırma Modeli kitaplığı (LGBMClassifier) aracılığıyla uygulanan Verimli Gradyan Artırma, n_estimators=100, learning_rate=0.1 ve max_depth=-1 (sınırsız ağaç derinliği) ile yapılandırıldı. Hızı ve verimliliğiyle bilinen bu model, optimize edilmiş gradyan artırıcı karar ağaçlarını kullanarak özellikle yüksek boyutlu özelliklere sahip büyük veri kümelerinde öne çıkıyor.

Son olarak, bölme stratejisi olarak sklearn.ensemble dosyasındaki ExtraTrees Sınıflandırıcısı n_estimators=100 ve criterion="gini" ile kullanıldı. Rastgele Orman'dan farklı olarak Ekstra Ağaçlar, kesme noktalarını rastgele seçerek daha fazla rastgelelik sağlar, bu da model varyansını azaltmaya ve genellemeyi geliştirmeye yardımcı olur. Topluluk, temel öğrencilerden gelen tahminleri toplayarak genellemeyi geliştiren scikit-learn'ün Yığınlama Sınıflandırıcısı kullanılarak gerçekleştirildi. Her model, doğruluk, kesinlik, F1 puanı, hata analizi ve karışıklık matrisi dahil olmak üzere standart sınıflandırma ölçümleri kullanılarak değerlendirildi. Bu ölçümler, tüm modellerde standartlaştırılmış performans karşılaştırması sağlamak için sklearn.metrics modülündeki işlevler kullanılarak hesaplandı.

En iyi performans gösteren model (doğruluk ve F1 puanına göre) Python kitaplığı kullanılarak dağıtım için kaydedildi. dump(model, "best_model.pkl"), eğitilen modelin yeniden eğitime gerek kalmadan yeniden kullanılabilmesini sağlar. Gerçek dünyadaki bir uygulamayı simüle etmek için NumPy kullanılarak 11 özellik içeren örnek bir giriş dizisi oluşturuldu ve model .predict () işlevine iletildi. Örneğin, girdi vektörü [[0, 1, 1,4100000, 12200000, 8, 417, 2700000, 2200000, 8800000, 3300000]], kredi onayını gösteren 1'lik bir tahmin döndürdü. Tüm deneyler, Kaggle'da Google Not Defteri kullanılarak bir Python 3.10 ortamında gerçekleştirildi. Model geliştirme ve değerlendirme, scikit-learn (v1.3), Gradient Boosting Model ve Efficient Gradient Boosting Model kütüphaneleri kullanılarak gerçekleştirilmiştir. Tüm hiperparametreler açıkça belgelendi ve uygun olduğunda varsayılanlar açıkça belirtildi. Kodlama prosedürleri, Pedregosa tarafından açıklanan yaklaşımı izledi ve scikit-learn46'da uygulandı. Bu kapsamlı ve şeffaf metodoloji, deneysel protokolün tamamen tekrarlanabilir olmasını ve makine öğrenimi araştırmalarında katı akademik standartlara uymasını sağlar.

Veri hazırlama aşaması özellik bölümünü, model eğitimini ve değerlendirmesini kapsayan önerilen metodolojinin yapısı Şekil 1'de gösterilmektedir.

Bu araştırma, dört güçlü sınıflandırıcının yeteneklerini bir araya getiren bir yığın topluluğu öğrenme çerçevesi sunar: Gradyan Artırma Modeli, AdaBoost, Verimli Gradyan Artırma Modeli, ve Geçmiş mali kayıtlara dayalı olarak kredi onay kararlarını tahmin etmek için Ekstra Ağaçlar. Yığılmış model mimarisi46 içinde hem artırma hem de torbalama stratejilerini birleştirerek. Yaklaşım, bu modellerin önyargı ve varyans gibi bireysel eksikliklerinin etkili bir şekilde üstesinden gelerek, gelişmiş tahmin doğruluğu ve model genellemesine katkıda bulunur. Her temel öğrenci benzersiz güçlere katkıda bulunur Gradyan Artırma Modeli kategorik değişkenle verimlidir, yüksek samimiyete sahip kategorik özellikleri işlemek için tasarlanmıştır ve sıralı güçlendirme47'yi kullanarak dahili olarak hedef kodlamayı gerçekleştirir. Bu, bilgi işlem istatistiklerinde yalnızca geçmiş verilerin kullanılmasını sağlayarak aşırı uydurmayı önler. Formülde

figure-protocol-1,

Her HT (X), önceki modelin artıkları üzerinde eğitilmiş bir karar ağacını temsil ederve NT, adıma özgü öğrenme katkısını belirtir. AdaBoost veya Adaptive Boosting, eğitim sırasında her örneğin ağırlığını ayarlar ve daha önce yanlış sınıflandırılmış veri noktalarınaodaklanır 48. Formülde
figure-protocol-2

αT , T'inci zayıf öğrenci HT(X)'in performansını yansıtır ve daha önce yanlış sınıflandırılmış örneklere daha fazla vurgu yapar. Verimli Gradyan Artırma Modeli: Daha hızlı performans için gradyan tabanlı tek taraflı örnekleme (GOSS) ve özel özellik paketlemeyi içerir. Verimli Gradyan Artırma, büyük ölçekli verilerde yüksek hız ve performans sunar49.

figure-protocol-3

ft(xi), l(•) kaybını en aza indirmek için eklenen yeni karar ağacını temsil ederken, Ω(ft) bir düzenlileştirme terimidir. Güçlendirme algoritmalarının aksine, Ekstra Ağaçlar, karar ağacı bölmelerine rastgelelik ekleyerek varyansı azaltır50. Torbalama ilkelerine dayanır, ancak tahmin kuralına düğüm bölünmesi sırasında ekstra rastgelelik enjekte eder

figure-protocol-4

M bağımsız olarak eğitilmiş rastgele ağaçların çıktılarının ortalamasını alır. Ekstra ağaçlar, her bölme için özellikler için rastgele eşikler seçer ve bunlar arasından en iyisini seçer, böylece varyansı azaltır ve ağaçlar arasında yüksek çeşitlilik sunar, bu da genellemeyi geliştirir. Bu modeller, bir kredinin onaylanıp onaylanmayacağına karar vermek için çıktılarını en uygun şekilde birleştirmeyi öğrenen bir istifleme sınıflandırıcısı aracılığıyla toplu olarak entegre edilir. Çerçeve, ortak sınıflandırma ölçütleri ile değerlendirildi ve canlı girdi örnekleriyle test edildi, bu da dijital borç verme ortamlarındaki pratik uygunluğunu gösterdi51. Bu modeller, kredi kabul sonuçlarını belirlemek için çıktılarını ideal şekilde harmanlamayı öğrenen bir istifleme sınıflandırıcısı kullanılarak toplu olarak birleştirilir. Modelin performansı, hem Tip I hem de Tip II hataları azaltma kapasitesini belirlemek için doğruluk, kesinlik, geri çağırma, F1 puanı ve AUC-ROC gibi önemli sınıflandırma ölçütlerinin yanı sıra bir karışıklık matrisi kullanılarak değerlendirildi. Sınıf dengesini korumak için, sağlamlığı sağlayan ve numune değişkenliğini azaltan 80 kat çapraz doğrulama ile katmanlı 20:5 tren testi bölünmesi kullanıldı. Ayrıca model, kredi geçmişi, gelir, istihdam durumu ve kredi tutarı gibi bilgileri içeren, ikili yargılar ve olasılık derecelendirmeleri veren gerçekçi kredi başvuru sahibi profilleri üzerinde değerlendirildi. Bu iki aşamalı test, modelin gerçek zamanlı dijital borç verme bağlamlarındaki etkinliğini, adilliğini ve pratikliğini göstermektedir. Bu çalışmanın yeniliği, kredi puanlaması için özel olarak tasarlanmış hibrit topluluk tasarımında yatmaktadır ve bu da onu modern finansal platformlar için sağlam, yorumlanabilir ve tekrarlanabilir bir model haline getirmektedir52 .

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Özellik korelasyon analizi

Özellik korelasyon ısı haritası (Şekil 2), çeşitli nitelikler arasındaki karşılıklı ilişkiler hakkında faydalı bilgiler verdi. Gelir, yıllık kredi tutarı ve lüks varlık değeri ve banka varlık değeri gibi varlıkla ilgili değişkenler arasında güçlü pozitif korelasyonlar bulunmuş ve bu da başvuru sahibinin finansal profilinin kredi değerlendi...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kredi onayı tahminine yönelik istifleme topluluğu modeli, çeşitli değerlendirme ölçümlerinde olağanüstü iyi performans göstererek büyük doğruluk ve güvenilirlik gösterir. Korelasyon ısı haritası, yıllık gelir, kredi tutarı ve varlık değerleri gibi finansal göstergelerin birbiriyle güçlü bir şekilde ilişkili olduğunu ortaya koyarak kredi gelişimindeki önemini vurgularken, CIBIL puanlarının kredi durumuyla güçlü bir negatif korelasyona sahip olduğunu ve kredi itibarı değerlendirmesindeki r...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazar, bu araştırmayla ilgili herhangi bir çıkar çatışması beyan etmemektedir.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma VIT-AP Üniversitesi, Amaravati, Hindistan tarafından desteklenmiştir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Kagglehttps://www.kaggle.com/
Pandalarhttps://pandas.pydata.org/
Model kütüphanesiIBMhttps://www.ibm.com

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. European Systemic Risk Board. Reports of the Advisory Scientific Committee. , Elsevier. (2012).
  2. Vives, X. The impact of FinTech on banking. Eur Econ. 2, 97-105 (2017).
  3. Jacobides, M. G., Drexler, M., Rico, J. Rethinking the future of financial services: A structural and evolutionary perspective on regulation. J Financ. , https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3078138 (2014).
  4. Cuadros-Solas, P. J., Cubillas, E., Salvador, C. Does alternative digital lending affect bank performance? Cross-country and bank-level evidence. Int Rev Financ Anal. 90, 102873(2023).
  5. Murinde, V., Rizopoulos, E., Zachariadis, M. The impact of the FinTech revolution on the future of banking: Opportunities and risks. Int Rev Financ Anal. 81, 102103(2022).
  6. Hurani, J., Abdel-haq, M. K., Camdzic, E. FinTech Implementation Challenges in the Palestinian Banking Sector. Int J Financial Stud. 12 (4), 122(2024).
  7. Sumit, A., Jian, Z. FinTech Lending and Payment Innovation: A Review. Asia-Pacific J Financ Stud. 1 (1), 11-15 (2020).
  8. Balyuk, T. FinTech Lending and Bank Credit Access for Consumers. Manage Sci. 69 (1), 555-575 (2023).
  9. Novaliando, M. A., Purwokerto, U. M. Legal Protection of Consumer Personal Data in the Case of Fintech Peer to Peer Lending. Proc Series Soc Sci Humanities. 14, 118-124 (2023).
  10. Huang, R. H. Online P2P Lending and Regulatory Responses in China Opportunities and Challenges. Eur Bus Organ Law Rev. 19 (1), 63-92 (2018).
  11. Puschmann, T. Fintech. Bus Inf Syst Eng. 59 (1), 69-76 (2017).
  12. Ebirim, G. U., Odonkor, B. Enhancing Global Economic Inclusion With Fintech Innovations and Accessibility. Financ Account Res J. 6 (4), 648-673 (2024).
  13. Sanyaolu, T. O., Adeleke, A. G., Azubuko, A. F., Osundare, O. F. Exploring fintech innovations and their potential to transform the future of financial services and banking. Int J Sch Res Sci Technol. 5 (1), 054-072 (2024).
  14. Omowole, B. M., Urefe, O., Mokogwu, C., Ewim, S. E. Integrating fintech and innovation in microfinance Transforming credit accessibility for small businesses Integrating fintech and innovation in microfinance Transforming credit accessibility for small businesses. Eur J Innov Manag. 27 (9), 562-581 (2024).
  15. Umavezi, J. U. Innovations in Lending-Focused FinTech Leveraging AI to Transform Credit Accessibility and Risk Assessment. IJCATR. 14 (1), 46-61 (2025).
  16. Leo, M., Sharma, S., Maddulety, K. Machine learning in banking risk management: A literature review. Risks. 7 (1), 2319-8656 (2019).
  17. Bazarbash, M. FinTech in Financial Inclusion: Machine Learning Applications in Assessing Credit Risk. IMF Work Pap. 2019 (109), 1(2019).
  18. Berg, T., Burg, V., Gombovi, A., Puri, M. On the Rise of the Fintech. Rev Financ Studies. 33 (7), 2845-2897 (2020).
  19. Gomber, P., Kauffman, R. J., Parker, C., Weber, B. W. On the Fintech Revolution Interpreting the Forces of Innovation , Disruption and Transformation in Financial Services. J Manag Informat Syst. 35 (1), 220-265 (2018).
  20. Anakpo, G., Xhate, Z., Mishi, S. The Policies, Practices, and Challenges of Digital Financial Inclusion for Sustainable Development The Case of the Developing Economy. FinTech. 2 (2), 327-343 (2023).
  21. Digital Lending High Level System Architecture in Indonesia. Sarungu, C. M. 2020 1st Int Conf Informat Technol Adv Mech Elect Eng, , 159-164 (2020).
  22. Allioui, H., Mourdi, Y. Exploring the Full Potentials of IoT for Better Financial Growth and Stability: A Comprehensive Survey. Sensors. 23 (19), 8015(2023).
  23. Fintech future business & Cyber vulnerabilities and challenges. Venkata, T., Rao, V. 2023 IEEE 8th Int. Conf. Softw. Eng. Comput. Syst, , 1-4 (2023).
  24. Flores, A. M., He, M., Wu, W., Munyaka, I. N. S. A License to Prey Investigating the Impact of Digital Loan App Regulations on Permission Requests and Privacy Policies in the Kenyan Market. 2024 IEEE Int Symp Technol Soc. , 1-5 (2024).
  25. Peng, H., Ji, J., Sun, H., Xu, H. Legal enforcement and fintech credit: International evidence. J Empir Financ. 72, 214-231 (2023).
  26. Suryono, R. R., Budi, I., Purwandari, B. Detection of fintech P2P lending issues in Indonesia. Heliyon. 7 (4), e06782(2021).
  27. Chen, D., Lai, F., Lin, Z. A trust model for online peer-to-peer lending a lender ' s perspective. Info Techno Manag. 15 (4), 239-254 (2014).
  28. Migozzi, J., Urban, M., Wójcik, D. You should do what India does': FinTech ecosystems in India reshaping the geography of finance. Geoforum. 151, 2023(2024).
  29. Asamani, A., Majumdar, J. An Empirical Study of Digital Lending in India and the Variables Associated with its Adoption. Administration Review. 21 (3), 1-13 (2024).
  30. Mark, T. Digital Lending in Emerging Economies: the Nexus Between Financial Innovation and Consumer Protection. Am. J. Financ. Account. 7 (1), 145-168 (2023).
  31. Imanuddin, I., Dewi Anggraeni, R. R., Fridayani, S. Construction of Consumer Protection Against Illegal Online Loan Transactions As a Means of IUS Constituendum in Indonesia. J IUS Kaji Huk dan Keadilan. 11 (3), 539-556 (2023).
  32. Katsamakas, E., Sanchez-Cartas, J. M. A computational model of the effects of borrower default on the stability of P2P lending platforms. Eurasian Econ Rev. 14 (3), 597-618 (2024).
  33. Li, H., Zhang, Y., Zhang, N., Jia, H. Detecting the Abnormal Lenders from P2P Lending Data. Procedia Comput Sci. 91, 357-361 (2016).
  34. Bao, T., Ding, Y., Gopal, R., Möhlmann, M. Throwing Good Money After Bad: Risk Mitigation Strategies in the P2P Lending Platforms. Inf Syst Front. 26 (4), 1453-1473 (2024).
  35. Mudjahidin, A. A., Hidayat,, Aristio, A. P. Conceptual model of use behavior for peer-to-peer lending in Indonesia. Procedia Comput Sci. 197 (2021), 215-222 (2021).
  36. Identifying Features for Detecting Fraudulent Loan Requests on P2P Platforms. Xu, J., Chen, D., Chau, M. 2016 IEEE Conf Intell Secur Informatics, , 79-84 (2016).
  37. Research on Personal Loan Default Assessment Based on Machine Learning. Liu, G. ITM Web of Conferences, 01012, 1-14 (2025).
  38. An application of Naive Bayes classification for credit scoring in e-lending platform. Vedala, R., Kumar, B. R. Proc 2012 Int Conf Data Sci Eng. ICDSE 2012, , 81-84 (2012).
  39. Li, Z., Li, K., Yao, X., Wen, Q. Predicting Prepayment and Default Risks of Unsecured Consumer Loans in Online Lending. Emerg Mark Financ Trade. 55 (1), 118-132 (2019).
  40. Ko, P. C., Lin, H., Do, T., Huang, Y. F. P2P Lending Default Prediction Based on AI and Statistical Models. Entropy. 24 (6), 1-23 (2022).
  41. Loan Fraud Users Detection in Online Lending Leveraging Multiple Data Views. Zhao, S., et al. Proc 37th AAAI Conf Artif Intell AAAI 2023, 37, 5428-5436 (2023).
  42. Fu, G., Sun, M., Xu, Q. An Alternative Credit Scoring System in China's Consumer Lending Market: A System Based on Digital Footprint Data. SSRN Electron J. , 1-51 (2020).
  43. Pang, S., Deng, C., Chen, S. System Dynamics Models of Online Lending Platform Based on Vensim Simulation Technology and Analysis of Interest Rate Evolution Trend. Comput Intell Neurosci. 2022, 9776138(2022).
  44. Tu, Y., Yan, X., Wang, H. Game Theory Analysis of Chinese DC/EP Loan and Internet Loan Models in the Context of Regulatory Goals. Sustain. 15 (9), 1-15 (2023).
  45. Von Solms, J. Integrating Regulatory Technology ( RegTech ) into the digital transformation of a bank Treasury. J Bank Regul. 22 (2), 152-168 (2021).
  46. Barupal, D. K., Fiehn, O. Generating the blood exposome database using a comprehensive text mining and database fusion approach. Environ Health Perspect. 127 (9), 2825-2830 (2019).
  47. Wolpert, D. H. Stacked generalization. Neur Netw. 5 (2), 2941-2259 (1992).
  48. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., Gulin, A. Catboost: Unbiased boosting with categorical features. Adv Neural Inf Process Syst. , 6638-6648 (2018).
  49. Freund, Y., Schapire, R. E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. J Comput Syst Sci. 55 (1), 119-139 (1997).
  50. LightGBM: An effective decision tree gradient boosting method to predict customer loyalty in the finance industry. Machado, M. R., Karray, S., De Sousa, I. T. 14th Int Conf Comput Sci Educ ICCSE, , 1111-1116 (2019).
  51. Geurts, P., Ernst, D., Wehenkel, L. Extremely randomized trees. Mach Learn. 63 (1), 3-42 (2006).
  52. Sagi, O., Rokach, L. Ensemble learning: A survey. Wiley Interdiscip Rev Data Min Knowl Discov. 8 (4), 1-18 (2018).
  53. Khandani, A. E., Kim, A. J., Lo, A. W. Consumer credit-risk models via machine-learning algorithms. J Bank Financ. 34 (11), 2767-2787 (2010).
  54. Chen, Y. From Statistical Interpretations to Explainable AI in Machine Learning Enhancing Decision-Making in the Lending Industry. , Doctor of Philosophy, The University of Edinburgh. (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Stacking EnsembleLoan Approval PredictionMachine Learning TechniquesDigital LendingPeer To Peer LendingAlgorithmic Risk AssessmentGradient BoostingXGBoost ModelCredit ScoringFinancial Inclusion

Related Articles