Kredi gecikmesinin farklı makine öğrenmesi yöntemleri ile tahmini
Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, cilt.17, sa.0, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 17 Sayı: 0
- Basım Tarihi: 2026
- Doi Numarası: 10.28948/ngumuh.1712127
- Dergi Adı: Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
- Derginin Tarandığı İndeksler: Directory of Open Access Journals, TR DİZİN (ULAKBİM), Academic Search Ultimate (EBSCO)
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Süleyman Demirel Üniversitesi Adresli: Evet
Özet
Bu çalışma, banka kredi geri ödemelerinde risk değerlendirmesini makine öğrenmesi algoritmaları kullanarak tahmin etmeyi amaçlamaktadır. Kredi gecikmelerinin önceden öngörülmesi, bankaların mali risklerini minimize etme ve kredi portföylerini optimize etme açısından büyük önem taşımaktadır. Bu kapsamda Waikato Environment for Knowledge Analysis (WEKA)yazılımı aracılığıyla Random Forest (RF), Lojistik Regresyon, KNN (En Yakın Komşu), Naive Bayes ve Destek Vektör Makineleri (SVM) algoritmaları kullanılarak 1840 müşteriden oluşan açık kaynaklı banka veri seti üzerinde modelleme yapılmıştır. Modeller, doğruluk oranı, kappa istatistiği, Receiver Operating Characteristic (ROC) eğrisi ve karşılık matrisleri temelinde değerlendirilmiştir. Elde edilen sonuçlara göre RF algoritması %92.68 doğruluk oranı ve 0.95 ROC değeri ile en başarılı model olurken, Lojistik Regresyon en düşük performansı göstermiştir.
This study aims to predict credit risk assessment in bank loan repayments using machine learning algorithms. The early prediction of payment delays is crucial for minimizing financial risks and optimizing credit portfolios for banks. In this context, models including Random Forest, Logistic Regression, KNN (K-Nearest Neighbors), Naive Bayes, and Support Vector Machines were implemented on a real dataset of 1840 customers using the WEKA (Waikato Environment for Knowledge Analysis) software. These models were evaluated based on accuracy, kappa statistic, ROC (Receiver Operating Characteristic) curve, and confusion matrices. According to the results, the Random Forest algorithm achieved the highest accuracy rate at 92.68% and ROC value at 0.95 while Logistic Regression had the lowest performance.