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

Özet

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.

Özet

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.

Giriş

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, gele....

Protokol

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 inc....

Sonuçlar

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.......

Tartışma

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.......

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Kaggle	https://www.kaggle.com/
Pandalar	https://pandas.pydata.org/
Model kütüphanesi	IBM	https://www.ibm.com