Yapay Sinir Ağları Üzerine Yapılan Çalışmalar

West tarafından yapılan çalışmada, çeşitli yapay sinir ağları kullanılarak elde edilen kredi skorlama modelleri ile 3 ayrı verisetinde modeller oluşturulmuştur. Kullanılan yapay sinir ağları; ileri beslemeli yapay sinir ağı, çok katmanlı algılayıcı, uzman ağların karışımı, yarıçapsal tabanlı ağlar, ileri beslemeli yapay sinir ağları olup bu modellerden elde edilen sonuçlar lineer diskriminant analizi, lojistik regresyon ve karar ağaçları ile karşılaştırılmıştır. Çalışmada iki ayrı veriseti kullanılmıştır. 1000 örneklem sayısı (700 iyi kredi-300 kötü kredi) ve 24 değişken sayısı ile Alman veriseti ve 690 örneklem sayısı (307 iyi kredi-383 kötü kredi) ve 14 değişken ile Avusturya kredileri verisetidir. Yapay sinir ağlarının yapısı, gizli nöron sayısı, momentum katsayısı ve öğrenme katsayısı gibi bilgilere çalışmada yer verilmemiştir. Elde edilen sonuçlarda, genel hata fonksiyonunda yapay sinir ağları ile elde edilen sonuçların iyi olduğu gözlenmiş ve en düşük hata fonksiyonuna uzman ağların karışımı yapay sinir ağı ile elde edilmiştir. Lojistik regresyon ile elde edilen model hata fonksiyonu sıralamasında ikinci sırada yer alıp çok katmanlı algılayıcıya oranla daha başarılı bir performans sergilemiştir. Çalışmada, yapay sinir ağlarından yarıçapsal tabanlı ağı, lineer diskriminant analizi ve karar ağacı (CART) ile elde edilen sonuçların bu veri setlerinde kötü olduğu vurgulanmıştır (West, D. (2000)).

47

Chen ve Huang tarafından yapılan çalışmada, yapay sinir ağları, lineer diskriminant analizi ve karar ağacı (CART) kredi skorlama metotları karşılaştırılmıştır. Çalışmada geri beslemeli yapay sinir ağı kullanılıp en iyi ağ yapısı elde edilmeye ve yapay sinir ağının kötü kredi olarak tanımladığı kredileri neden bu şekilde tanımladığı anlaşılmaya çalışılmıştır. Çalışmada kullanılan veriseti “UCI Repository of Machine Learning Databases”’den alınmış olup 307 iyi kredi ve 383 kötü krediden oluşan bir verisetidir. Değişken sayısı 15 olup çeşitli gizli katman sayıları, momentum katsayıları ve öğrenme katsayıları denenerek en iyi ağ yapısı bulunmaya çalışılmıştır. En iyi ağ yapısına 15 girdi katman, 28 gizli katmanlı ve 1 çıktı katmanlı ağ yapısı ile ulaşılmıştır. Elde edilen yapay sinir ağı ile lineer diskriminant analizi ve karar ağacı sonuçları karşılaştırıldığında yapay sinir ağının iyi kredileri ayırt etmede, bu iki yönteme göre daha kötü bir performans gösterdiği fakat kötü kredileri ayırt etmede daha başarılı olduğu görülmüştür. Yapay sinir ağından elde edilen sonuçlarda kabul edilmeyen krediler genetik algoritma yardımıyla analiz edilmiş ve hangi değişkenlerin kredi başvurusunun kabul edilmemesinde daha önemli olduğu anlaşılmaya çalışılmıştır. Müşteri tercihi ve algılanan maliyet arasında bir ilişki kurulmaya çalışılmıştır (Chen, M. C. ve Huang S. H. (2003)).

Malhotra tarafından yapılan çalışmada iki teknik birleştirilerek kredi skorlama yöntemi geliştirilmeye çalışılmıştır. Bulanık yapay sinir ağı ANFİS ile diskriminant analizi yoluyla elde edilen kredi skorlama modelleri karşılaştırılmıştır. Veriseti 790 adet (500 iyi kredi- 290 kötü kredi) gözlem içerip yapay sinir ağının eğitimi için 500 kredi sınama için 290 kredi kullanılmıştır. Elde edilen sonuçlarda, iyi kredilerin belirlenmesinde diskriminant analizinin, ANFİS yapay sinir ağına göre daha başarılı olduğu fakat genel ve kötü kredi belirlemede yapay sinir ağının daha iyi bir performans sergilediği görülmüştür (Molhotra, R. ve Malhotra, D.K. (2002)).

Yapay sinir ağları ile yapılan başka bir çalışmada, Kim ve Sohn, yapay sinir ağı ile kredi skorlama modeli kurmuş ve elde edilen sonuçlar ile 4 alt müşteri grubu tanımlamışlardır. Bu gruplardan yola çıkılarak çeşitli yönetimsel yorumlarda bulunulmuştur. Yapay sinir ağının türü ve ağ yapısı hakkında bilgi verilmemiştir. Veriseti “UCI Repository of Machine Learning Databases”’den alınmış olup 700 adet iyi, 300 adet kötü krediyi içerdiği bilinmektedir. Elde edilen gruplar; iyi kredi olup iyi kredi seçilenler, kötü kredi olup kötü kredi seçilenler, iyi kredi olup kötü

48

kredi seçilenler, kötü kredi olup iyi kredi seçilenlerdir. Grupların özelliklerine göre yönetimsel değerlendirmeler yapılmıştır (Kim, Y. S. ve Sohn, S.Y. (2004)).

Malhotra tarafından yapılan diğer bir çalışmada, geri beslemeli yağay sinir ağı ile çoklu diskriminant analizi, kredi skorlama modelleri olarak karşılaştırılmıştır. Çalışmada veriseti, 12 farklı kredi kuruluşundan alınan 1078 adet krediden oluşmaktadır. Bunlardan 700 adedi, yapay sinir ağı için eğitim setinde kullanılmış, 378 adeti sınama aşamasında kullanılmıştır. Çalışmada ağların öğrenme katsayısı 0.02 ve momentum katsayısı 0.01 olarak alınmıştır. Çalışmada yapay sinir ağının öğrenme aşamasında 7 alt örnek grubu farklı döngü ve farklı gizli katman sayıları ile eğitilmiş ve bu 7 gruptan elde edilen sonuçların ortalaması alınmıştır. Elde edilen sonuçlarda birinci tip hata, ikinci tip hata ve genel hata düzeyinde geri beslemeli yapay sinir ağının, çoklu diskriminant analizine göre daha iyi bir performans sergilediği görülmüştür (Molhotra, R. ve Malhotra, D.K. (2003)).

Abdou, Pointon ve El-Masry tarafından yapılan çalışmada, gerçek veri setleri kullanılarak diskrinminant analizi, lojistik regresyon, probalistik yapay sinir ağı ve çok katmanlı algılayıcı gibi tekniklerle kredi skorlama modelleri oluşturulmuş ve performansları karşılaştırılmıştır. Çalışmada dikkat edilen unsurlar; literatürde probalistik yapay sinir ağları ile çok fazla kredi skorlama modelinin oluşturulmaması ve gerçek verisetleriyle çalışılmamasıdır. Mevcut veriler Mısırda yerel bir bankadan alınmış ve 581 adettir. 433 adet iyi kredi ve 148 adet kötü kredi mevcuttur, 20 adet değişken ile modeller kurulmuştur. Çalışmada verisetinin %80’i eğitim seti olarak kullanılmış, %20’si sınama veriseti olarak kullanılmıştır. Çalışmada kullanılan 20 değişken 12 değişkene düşürülmüştür. Bunun nedeni bazı değişkenlerin özdeş değerler içermesidir. Önce, her bir yapay sinir ağı metodu 20 kere çalıştırılmış ve en iyi 5 adet sinir ağı seçilmiştir. Daha sonra, bu yapay sinir ağları farklı adet nöron sayıları denenerek modeller oluşturulmuştur. Elde edilen değerlerde, klasik istatistiksel metotlar arasında en iyi performansı lojistik regresyon, en iyi yapay sinir ağlarında çok katmanlı algılayıcı elde etmiştir. Farklı nöronlu çalışmalar lojistik regresyon ile elde edilen değerlerden daha yüksek olmasına karşın çok katmanlı algılayıcıdan daha düşüktür (Abdou, H., Pointon, J. ve El-Masry, A. (2008)).

49