Makine Öğrenmesi Yöntemleri ile Banka Müşterilerinin Kredi Alma Eğiliminin Karşılaştırmalı Analizi

Year 2022, Volume: 5 Issue: 2, 137 - 144, 21.09.2022

Ali Tezcan Sarızeybek , Onur Sevli

https://doi.org/10.38016/jista.1036047

Cited By: 3

Abstract

Bankacılık, müşterilerle sık sık iletişime girilmesi gereken bir sektördür. Bankalar müşterilerine, onların durumlarına uygun bir kredi vermek istediğinde müşteriyi telefonla ararlar. Çoğu zaman müşteri, teklif edilen krediyi reddeder, bu da müşteriyle iletişime geçen personelin zamanından büyük bir kayıptır. Bu çalışmada, banka müşterilerinin verilerinin bulunduğu veri seti ele alınarak ve çeşitli makine öğrenmesi sınıflama modelleri kullanılarak müşterinin kredi alıp almayacağı tahmin edilmiştir. Elde edilen çalışma sonuçlarına göre, makine öğrenmesi yöntemleri ile müşterinin kredi alma eğilim tahmini başarılı bir şekilde gerçekleşmiştir. Çalışma sonucunda K-Best uygulanan modellerin arasında doğruluk değeri en yüksek olan sınıflandırıcı modelinin %98,86 ile Rastgele Orman algoritması olduğu, özellik seçimi yapılmadan eğitilen modellerin arasında en yüksek olan modelin %93,66 ile Rastgele Orman algoritması olduğu, cross-validation ve grid search ile eğitilen modellerin arasında ise en yüksek değerin %98,6 ile Rastgele Orman algoritmasında olduğu görülmüştür.

Keywords

Makine Öğrenmesi, Bankacılık, Kredi Tahminleme, Sınıflandırma Algoritmaları.

A Comparative Analysis of Bank Customers' Loan Propensity Using Machine Learning Methods

Abstract

Banking is a sector that requires frequent communication with customers. When banks want to give their customers a loan that suits their situation, they call the customer by phone. The often time customer rejects the loan offer, which is a huge waste of time from the staff contacting the customer. In this study, the customer's tendency to take credit was estimated using the data set of bank customers' data and various machine learning classification models. According to the results of the study, the prediction of the customer's tendency to take credit with machine learning methods has been successfully realized. As a result of the study, among the models applied K-Best, the classifier model with the highest accuracy value was found to be the Random Forest algorithm with 98.86%. Among the models trained without feature selection, the highest model was found to be the Random Forest algorithm with 93.66%. Among the models trained with cross-validation and grid search, the highest value was found in the Random Forest algorithm with 98.6%.

Keywords

Machine Learning, Banking, Credit Estimation, Classification Algorithms.

References

• Akar, Ö., & Güngör, O., 2012. Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1 (2), 139-146.
• Akşehirli, Ö. Y., Ankaralı, H., Aydın, D., Saraçlı, Ö., 2013. Tıbbi Tahminde Alternatif Bir Yaklaşım: Destek Vektör Makineleri. Turkiye Klinikleri Journal of Biostatistics, 5(1).
• Alan, A., 2020. Makine öğrenmesi sınıflandırma yöntemlerinde performans metrikleri ile test tekniklerinin farklı veri setleri üzerinde değerlendirilmesi (Master's thesis, Fen Bilimleri Enstitüsü)
• Ali, J., Khan, R., Ahmad, N., & Maqsood, I., 2012. Random forests and decision trees. International Journal of Computer Science Issues (IJCSI), 9(5), 272.
• Arun, K., Ishan, G., & Sanmeet, K., 2016. Loan approval prediction based on machine learning approach. IOSR J. Comput. Eng, 18 (3), 18-21.
• Biau, G., & Scornet, E., 2016. A random forest guided tour. Test, 25 (2), 197-227.
• Burges, C. J., 1998. A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.
• Coşkun, S., Kartal, M., Coşkun, A., & Bircan, H., 2004. Lojistik regresyon analizinin incelenmesi ve diş hekimliğinde bir uygulaması. Cumhuriyet Üniversitesi Diş Hekimliği Fakültesi Dergisi, 7 (1), 42-50.
• Field, A., 2013. Discovering statistics using IBM SPSS statistics. sage.
• Gök, M., 2017. Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5 (3), 139-148.
• Kılınç, D., Borandağ, E., Yücalar, F., Tunalı, V., Şimşek, M. & Özçift, A., 2016. KNN Algoritması ve R Dili ile Metin Madenciliği Kullanılarak Bilimsel Makale Tasnifi. Marmara Fen Bilimleri Dergisi, 28 (3), 89-94. DOI: 10.7240/mufbed.69674
• Rasjid, Z. E., & Setiawan, R., 2017. Performance comparison and optimization of text document classification using k-NN and naïve bayes classification techniques. Procedia computer science, 116, 107-112.
• Serengil, S. I., Imece, S., Tosun, U. G., Buyukbas, E. B., & Koroglu, B., 2021. A Comparative Study of Machine Learning Approaches for Non Performing Loan Prediction. In 2021 6th International Conference on Computer Science and Engineering (UBMK) (pp. 326-331). IEEE.
• Zhang, Z., 2016. Introduction to machine learning: k-nearest neighbors. Annals of translational medicine, 4 (11)