Browsing by Author "Cetiner, Erkan"

Now showing 1 - 2 of 2

Credit Risk Analysis based on Hybrid Classification: Case Studies on German and Turkish Credit Datasets
(IEEE, 2018) Cetiner, Erkan; Kocak, Taskin; Güngör, Vehbi Çağrı; 0000-0003-0803-8372; AGÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü; Güngör, Vehbi Çağrı
— Kredi risk analizi, karar verme süreçleri açısından finans sektöründe önemli bir rol oynamaktadır. Bankalar ve finansal kuruluşlar, müşterilerinden büyük ölçeklerde ham veri toplamaktadırlar. Veri madenciliği teknikleri, bu ham veri içerisinden kullanışlı bilgiler edinmek amacıyla kullanılabilir. Destek-vektörleri, yapay sinir ağları ve bayesian yaklaşımı bu alanda hali hazırda kullanılan sınıflandırma yöntemleridir. Bu çalışmada, farklı tekil sınıflandırma yöntemlerinin bir araya getirilerek hibrid bir yaklaşımla, sınıflandırma sonuçlarının doğruluğunun arttırılması hedeflenmiştir. Farklı kombinasyonlar ayrıca sınıflandırma yetkinliği açısından performans karşılaştırılmasına tabi tutulmuştur. Hem Alman kredi veriseti hem de ulusal bir bankadan alınan veriseti üzerinde ilgili yaklaşım çalıştırılmış ve yöntemin genelleştirilebilme özelliğinin görülmesi de amaçlanmıştır. Deney sonuçları, özellik seçiminin sınıflandırma başarımı ve hesaplama zamanı açısından çok önemli olduğunu, hibrid yaklaşımın tekil sınıflandırma yöntemlerine göre sınıflandırma doğruluğu açısından daha iyi sonuçlar verdiğini ve son olarak radial-basis fonksiyonu ile birlikte kullanıldığında destek-karar vektörlerinin hem tekil hem hibrid yaklaşımlar içerisinde en iyi sınıflandırma başarımına sahip olduğunu göstermiştir.
Evaluation of hybrid classification approaches: Case studies on credit datasets
(SPRINGER, 2018) Cetiner, Erkan; Gungor, Vehbi Cagri; Kocak, Taskin; 0000-0003-0803-8372; AGÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü; Gungor, Vehbi Cagri
Hybrid classification approaches on credit domain are widely used to obtain valuable information about customer behaviours. Single classification algorithms such as neural networks, support vector machines and regression analysis have been used since years on related area. In this paper, we propose hybrid classification approaches, which try to combine several classifiers and ensemble learners to boost accuracy on classification results. We worked with two credit datasets, German dataset which is a public dataset and a Turkish Corporate Bank dataset. The goal of using such diverse datasets is to search for generalization ability of proposed model. Results show that feature selection plays a vital role on classification accuracy, hybrid approaches which shaped with ensemble learners outperform single classification techniques and hybrid approaches which consists SVM has better accuracy performance than other hybrid approaches.