Performance evaluation of ensemble learning algorithms on unbalanced credit scoring data sets

Abstract

Amac- Kredi skorlama modeli gelistirilirken kullanilan veri kumelerinde siniflara ait orneklerin dengesiz bir dagilima sahip olmalarindan dolayi, modellerin dogruluk orani dusuk olmaktadir. Biz bu calismada kollektif ogrenme algoritmalarini maliyete duyarli ogrenme yontemiyle birlikte kullanarak elde edilen modellerin performansini karsilastip en etkin modellleri belirlemeye calistik. Metodoloji- Bu amacla Bagging ve AdaBoost kolektif ogrenme yontemleri karar agaclari, destek vektor makineleri ve k-NN temel siniflandiricilari ile iki farkli kredi veri seti uzerinde calistirilmistir. Ayrica Bagging ve AdaBoost icin maliyet duyarli ogrenme yontemi kullanilarak azinlik siniflandirma grubunun ceza puani artirilmistir. Butun bu kombinasyonlar kiyaslanmistir. Bulgular- Maliyete duyarli ogrenme yontemlerinin kullanilmasi, hem AdaBoost hem de Bagging icin performans degerlendirme olcegi AUC acisindan daha basarili sonuclar elde edilmesini saglamistir. Verideki sinif dengesizlik oraninin artmasi durumunda, karar agaclarinin temel siniflandirici oldugu Bagging kolektif yonteminin AdaBoost kolektif yontemine gore daha yuksek basari elde ettigi gozlemlenmistir. Sonuc- Basarisi yuksek etkili bir kredi skorlama yontemi gelistirilmesi hala cozulmesi gereken bir problem olmasina ragmen kolektif ogrenme yontemi ile olusturulan modellerin bireysel siniflandiricilarilarla olusturulan modellere gore daha yuksek basari gosterdigi gozlemlenmistir. Bu durum literaturdeki diger calisma bulgulariyla da ortusmektedir. [Maciej Zieba ve ark., 2012]