@article{article_1584928, title={Makine Öğrenimi Teknikleri ile Kredi Risk Tahmininde Yeniden Örnekleme Yöntemlerinin Karşılaştırılması}, journal={Söke İşletme Fakültesi Dergisi}, volume={1}, pages={48–60}, year={2024}, author={Kendirkıran, Gülçin and Doğan, Seyyide}, keywords={Makine Öğrenmesi, Dengesiz veri, Kredi Puanlama}, abstract={Makine öğrenmesi performansını etkileyen önemli hususların başında sınıf dengesizliği sorunları gelmektedir. Gerçek dünya problemlerinde sıklıkla karşılaşılabilen bu durumda öğrenme sürecinde azınlık sınıfın etkisi ihmal edilerek çoğunluk sınıfına doğru kayan yanlı bir tahmin elde edilir. Bu çalışma UCI veri setleri içerisinde yer alan popüler kredi puanlama (Australian ve German) veri seti üzerinde sınıf dengesizliği sorunuyla başa çıkmak için 4 farklı yeniden örnekleme yönteminin değerlendirmesi sunulmaktadır. Banka müşterilerinin kredibilitesinin tahmin edildiği bu problemde iyi ve kötü olarak sınıflandırılan ve dengesiz dağılan iki müşteri sınıfı vardır. Riskli müşterilerin tahmininde Destek Vektör Makineleri (SVM), Rassal Ormanlar (RF), Extra Artırma (XGBoost), CatBoost olmak üzere farklı makine öğrenmesi teknikleri kullanılmış ve bu algoritmalar sınıf dengesizliği sorununu gidermek için Random Oversampling (ROS), Random Undersampling (RUS), SMOTE ve Tomek Bağlantıları yeniden örnekleme yaklaşımları ile birleştirilmiştir. Deneysel sonuçlara göre, yeniden örnekleme yöntemlerinin yöntem performansını iyileştirmede etkili olduğu ve SMOTE yaklaşımı ile CatBoost sınıflandırıcısının; ROS yaklaşımı ile RF sınıflandırıcısının daha iyi sonuçlar ürettiği gözlenmiştir.}, number={2}, publisher={Aydın Adnan Menderes Üniversitesi}