A credit classification application with machine learning methods: German credit dataset example

Abstract

Yapay zekâ uygulamaları finans dâhil birçok iş ve akademik araştırma alanında kullanım alanı bulmuştur. Makine öğrenmesi algoritmaları, sunulan verileri insan zihninin öğrenme sürecine benzer bir şekilde analiz ederek, yüksek başarımla ve sürekli insan denetiminde olmaksızın bilgi kategorize etmek ve tahminler yapmak için kullanılabilecek karar verme mekanizmaları oluşturur. Makine öğrenmesi, pratik amaçlar için muazzam bir potansiyel vaat etse de, finansal uygulamaların son kullanıcılarına faydası sınırlı kalmıştır. Bu çalışma, tipik bir makine öğrenimi uygulamasının temel bileşenlerini tanımlamak, performansını etkileyen faktörleri analiz etmek ve kullanımını sınırlayan olası eksiklikleri gözlemlemek için finans alanındaki makine öğrenmesi uygulamalarının mevcut kullanımını bir kredi sınıflandırması örneğinde izlemeyi amaçlamaktadır. Kredi başvuru verileri üzerinde yapılan deneyler sonucunda, bir makine öğrenimi modelinin performansının, kullanılacak veri seti için özel olarak yapılması gereken model tasarımına fazlasıyla bağlı olduğu ve kullanıcı dostu bir arayüz olmadan güncel makine öğrenmesi araçlarının finans uzmanlarından çok bilgisayar profesyonellerine hitap ettiği gözlemlenmiştir.

Artificial intelligence applications have found use in many business and academic research areas including finance. By analyzing existing data in a way similar to the learning process of a human mind, machine learning algorithms can create decision making mechanisms which can be used for categorizing and predicting new data with precision and without constant supervision. Although machine learning promises enormous potential for practical purposes, its presence to the end user of financial applications has been limited. This study aims to observe current uses of machine learning applications in the area of finance, specifically in a credit classification example, in order to analyze the basic components of a typical machine learning application, the factors affecting its performance and observe possible shortcomings that limit its use as a common tool. Experiments conducted on credit application data suggest that performance of a machine learning model is very much dependent on its design which has to be specifically made to match the dataset to be utilized and without a user friendly interface, machine learning tools address to a computing crowd instead of finance specialists at the moment.