Hajjaouı, Btissam2024-10-152024-10-15202402687-3729https://doi.org/10.47495/okufbed.1340798https://hdl.handle.net/20.500.12469/6659Bu makale, müşterinin temerrüde düşüp düşmediğini gösteren değişkeni tahmin ederek kurumsal kredi riskini değerlendirmeyi amaçlamaktadır. Bu amaçla kullanılan veri seti, Türkiye'de finans sektörünün önde gelen kuruluşlarından birinden temin edilmiştir. Genel olarak başvuru sahibinin verileri, kurumsal veriler, hissedar verileri ve başvuru sahibinin alacaklının kurumundaki kredi geçmişine atıfta bulunan 401 değişkenden oluşur. Diğerlerinden girdi değişkenlerini belirleyerek ve ardından bu girdileri inceleyerek güçlü bir şekilde ilişkili değişkenleri ve neredeyse tamamen eksik veya sıfır değerlerden oluşan değişkenleri kullanmaktan kaçınarak bu çok sayıda değişkeni azaltırız. Veri kümesindeki birçok değişkenin çok fazla eksik girişi vardır, ancak bunun haklı sebepleri vardır. Bu sorunu çözmek için, hangi değişken grubunun hangi müşteriyle ilişkili olduğunu yansıtan yedi alt küme oluşturduk. Veri seti dengesiz, yaklaşık %96 temerrüt dışı örneklerden ve onaylanmış krediler arasında yalnızca yaklaşık %4 temerrüt örneklerinden oluşuyor. Bu yazıda, eğitim setlerindeki örnekleri dengelemek için üç örnekleme tekniği kullanıyoruz; alt örnekleme, yüksek örnekleme ve sentetik azınlık yüksek örnekleme tekniği ve altı sınıflandırıcı uyguluyoruz; Rastgele Orman, Naif Bayes, Lojistik Regresyon, Destek Vektör Makinesi, Karar Ağacı ve K-En Yakın Komşu. Bu tekniklerin performansını ölçmek için, sırasıyla çoğunluk sınıfı ve azınlık sınıfının ne kadar iyi tahmin edildiğini ölçmek için duyarlılık ve özgüllük kullanırız. Sonuç olarak, eş zamanlı olarak %50'den fazla duyarlılık ve özgüllük elde ettik; burada alt örnekleme tekniği azınlık sınıfı için en iyi örnekleme tekniğiydi ve sentetik azınlık yüksek örnekleme tekniği ve yüksek örnekleme çoğunluk sınıfı için daha iyi performans gösterdi.eninfo:eu-repo/semantics/openAccessArticle8348542710.47495/okufbed.1340798N/AN/A