Araştırma Makalesi
BibTex RIS Kaynak Göster

YAPAY ZEKÂ YÖNTEMLERİYLE SINIFLANDIRMA VE FİNANS SEKTÖRÜNDE BİR UYGULAMA

Yıl 2020, Cilt: 11 Sayı: 2, 91 - 109, 13.12.2020

Öz

Bu çalışmada, sınıflandırma yöntemlerinden, yapay zekâ tabanlı, yapay sinir ağları (YSA) ve destek vektör makineleri (DVM) geleneksel yöntemlerden ise lojistik regresyon (LR) bir bankadan alınan kurumsal müşteri veri kümesine, iki farklı şekilde, uygulanmıştır. 893 tanesi “kusurlu”, 7896 tanesi “kusursuz” toplam 8789 adet kurumsal müşteri verisinin yer aldığı “kurumsal veri” kümesine ve ikincil olarak da 893 tanesi kusurlu, 893 tanesi kusursuz toplam 1786 adet müşteri verisinin yer aldığı “dengeli kurumsal veri” kümesine uygulanmıştır. Her iki veri kümesinde YSA en yüksek doğruluk oranını (sırasıyla %96 ve %93), DVM ise kurumsal veride yine en yüksek doğruluk oranını (%96), LR ise yapay zekâ tabanlı uygulamalara kıyasla daha düşük bir doğruluk oranı (%89) vermiştir. Kurumsal veriden, dengeli kurumsal veriye geçildiğinde, verideki yaklaşık %80’lik kayıptan, YSA ve LR %3 oranında etkilenirken DVM ise %5 oranında etkilenmiştir. DVM, modeller arasında, en küçük standart sapmaya sahip yöntem olmuştur. Çalışma, yapay zekâ tabanlı YSA ve DVM yöntemlerinin, LR gibi geleneksel yöntemlere kıyasla, daha iyi sonuçlar verdiğini, diğer bir deyişle daha iyi sınıflandırma yaptığını, göstermiştir.

Kaynakça

  • ALTAN, M. (2001). “Fonksiyonlar ve İşlemler Açısından Bankacılık, Beta Basım Yayıncılık.
  • ALTAY, E. (2015). Bankacılıkta Risk, Piyasa Riski Kredi Riski Ve Operasyonel Riskin Ölçümü Ve Yönetimi, İstanbul: Derin Yayınları.
  • ANDERSON D. Ve MCNEİLL G. (1992). Artificial Neural Networks Technology. A DACS State-of-the-Art Report, Contract Number F30602-89-C-0082.
  • CHERKASSKY, V. Ve MULIER, F. (2007). Lerning From Data: Consepts, Theory and Methods. 2. Baskı, New Jersey, John Wiley & Sons, Inc.
  • CURA, T. (2008). Modern Sezgisel Teknikler ve Uygulamaları, 1. Basım, İstanbul: Papatya Yayıncılık.
  • ELMAS, Ç. (2016). Yapay Sinir Ağları. 3. Baskı, Ankara: Seçkin Yayıncılık.
  • EMRE, Y. (2012). Veri Madenciliği Tekniklerinden C5.0 Algoritması Ve Destek Vektör Makineleri İle Yapay Sinir Ağlarının Sınıflandırma Başarılarının Karşılaştırılması: İmalat Sektöründe Bir Uygulama. Doktora Tezi, Atatürk Üniversitesi, Erzurum.
  • HAMZAÇEBİ, C. (2011). Yapay Sinir Ağları Tahmin Amaçlı Kullanımı, MATLAB Ve NEUROSOLUTION Uygulamalı, 1. Baskı, Bursa: Ekin Yayınevi.
  • HARRELL, F. E., ve LEE Jr. K. L., (1985). A Comparison Of The Discrimination Of Discriminant Analysis And Logistic Regresyon Under Multivarite Normality. S.K. Se (Ed.), Biostatistics: Statistics İn Biomedical, Public Health, And Environmental Sciences, North-Holland, Amsterdam.
  • KECMAN, V. (2005), “Support Vector Machines – An Introduction”, StudFuzz, 177, 1-47.
  • LU, D. Ve WENG, Q. (2006). A survey of image classification methods and techniques for improving classification performance., International Journal of Remote Sensing, 28(5), 823-870.
  • Lyn, T.C. (2000). A Survey Of Credit And Behavioural Scoring: Forecasting Financial Risk Of Lending To Consumers. International Journal Of Forecasting, 16(2), 149-172.
  • MUZIR, Erol. (2011). Basel II Düzenlemeleri Doğrultusunda Kredi Riski Analizi Ve Ölçümü: Geleneksel Ekonometrik Modellerin Yapay Sinir Ağı Ve Mars Modelleriyle Karşılaştırılmasına Yönelik Ampirik Bir Çalışma, Doktora Tezi, İstanbul Üniversitesi, İstanbul.
  • NABİYEV, V. (2016). Yapay Zekâ. 5. Baskı, Ankara: Seçkin Yayınevi.
  • ÖZTEMEL, E. (2012). Yapay Sinir Ağları. 1. Baskı, İstanbul, Papatya Yayıncılık
  • ROSENBLATT, F. (1958). The Perceptron: A Porobabilistic Model For Information Storage And Organization In The Brain. Psychonanalytic Review, 65(6), 386-408.
  • THEODORİDİS, S. Ve KOUTROUMBAS, K. (2009). Pattern Recognition. 4. Baskı, San Diego: Elsevier Inc.
  • VAPNİK, V. (1999). An Overview of Statistical Learning Theory. IEEE Transactions On Neural Networks, 10(5), 988-999.
  • VAPNİK, V. Ve IZMAILOV, R. (2017). Knowledge Transfer In SVM And Neural Networks. Ann Math Artif Intell, 81, 3-19.
  • YILMAZ, E. A. (2010). Basel II Kapsamında Kredi Riski Ve Temerrüt Olasılığı Hesaplama Yolu İle Tespiti. Doktora Tezi, Gazi Üniversitesi, Ankara.
  • EMİR, Ş. (2013). Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemlerinin Sınıflandırma Performanslarının Karşılaştırılması: Borsa Endeks Yönünün Tahmini Üzerine Bir Uygulama. Doktora Tezi, İstanbul Üniversitesi, İstanbul.
  • Shen, J. (2005). Fusing Support Vector Machines and Soft Computing for Pattern Recognition and Regression. Doktora Tezi, Kansas State University, Kansas.
  • ÇOMAK, E. (2008). Destek Vektör Makinelerinin Etkin Eğitimi İçin Yeni Yaklaşımlar”, Doktora Tezi, Selçuk Üniveristesi, Konya. WEST, D. (2000). Neural Network Credit Scoring Models”, Computers & Operations Research, Cilt: 27, 2000, s.1131-1152.
Toplam 23 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular İşletme
Bölüm Makaleler
Yazarlar

Gökhan Korkmaz 0000-0002-1702-2965

Yayımlanma Tarihi 13 Aralık 2020
Gönderilme Tarihi 6 Kasım 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 11 Sayı: 2

Kaynak Göster

APA Korkmaz, G. (2020). YAPAY ZEKÂ YÖNTEMLERİYLE SINIFLANDIRMA VE FİNANS SEKTÖRÜNDE BİR UYGULAMA. Akademik Yaklaşımlar Dergisi, 11(2), 91-109.