Özellik Önemi ve Tahmine Etki Eden Faktörler
Modelimizin karar verirken en çok hangi özelliklere dayandığını anlamak, hem modeli yorumlamak hem de iş dünyasında güvenilir kararlar almak açısından çok değerlidir.
Random Forest modelimizin en önemli özellikleri şunlardır:
- Kredi Miktarı: Talep edilen kredi miktarının büyüklüğü threat üzerinde belirleyici bir etkendir. Yüksek kredi talepleri genellikle threat artırıcıdır.
- Kredi Süresi: Uzun vadeli krediler ödeme güçlüğünü artırabilir ve riski yükseltir.
- Tasarruf Hesabı Durumu: Yüksek tasarrufu olan bireylerin kredi riskleri daha düşüktür.
- Vadesiz Hesap Durumu: Düzenli nakit akışını gösteren vadesiz hesap durumu mannequin için önemli bir gösterge.
- Yaş: Çok genç ya da ileri yaşlar, kredi geri ödeme riskini etkileyebilir.
- Konut Durumu ve Kredi Amacı: Finansal istikrar ve kredi kullanım amacı da modelin kararını etkiler.
Bu özelliklerin sıralamasını ve önem derecesini modelin “characteristic significance” grafiğiyle web olarak görebiliyoruz.
Ayrıca, mannequin tarafından yapılan threat tahminlerinde, başvuran kişinin kredi miktarı yüksekse veya tasarruf ve vadesiz hesap durumu düşükse, “Kötü Threat” olarak sınıflandırma olasılığı artmaktadır. Bu da finansal güvenlik ve ödeme kapasitesinin tahminde kritik olduğunu gösteriyor.
Bu özelliklerin ağırlığına göre bir grafik oluşturarak modelin mantığını daha iyi görselleştirdim.
🖥️ Kullanıcı Dostu Arayüz — Streamlit ile Etkileşim
Projede, kullanıcıların finansal bilgilerini girerek anında kredi riskini tahmin edebileceği bir Streamlit uygulaması geliştirdim.
Arayüzde:
- Girdi alanları ve açıklamaları
- Girilen bilgilerin özetleri
- Threat tahmini ve mannequin güven skorları
- Modelin özellik önem sıralaması grafik olarak sunuldu.
Bu sayede teknik bilgisi sınırlı kullanıcılar bile kolayca karar destek alabilir.
🚀 Sonuç ve Gelecek Adımlar
Bu proje sayesinde hem makine öğrenmesi alanındaki bilgimi pekiştirdim hem de veri bilimi süreçlerini uçtan uca uygulayarak gerçek dünya problemi üzerine çalıştım. Uyguladığım Random Forest modeli, diğer algoritmalara göre daha yüksek başarı sağladı ve kullanıcı dostu bir arayüzle tahmin süreci kolaylaştırıldı.
🔮 Gelecekte neler eklenebilir ve neler yapılabilir?
Veri setini daha geniş ve güncel finansal verilerle zenginleştirerek modeli geliştirmek
Modeli gerçek kullanıcı testleri ile değerlendirmek
Gelecek aşamalarda modeli daha fazla veri ile beslemek
Alternatif modellerle ve algoritmalarla daha doğru ve derinlemesine kıyaslama yapmak ve mannequin doğruluğunu daha da artırmak
Modeli API olarak sunarak kurumsal sistemlerle entegre edilebilir hale getirmek.
🙏 Teşekkürler
Bu öğrenme yolculuğunda desteklerini esirgemeyen değerli hocam Yasemin Arslan MSc., mentörlerimiz Nermin Babalık ve Hakan Çelik’e; ayrıca Acunmedya Akademi, AkademiQ.web, Gökhan Mutlay, Esra Cüfâdaroğlu’na teşekkürlerimi sunarım.🤝
Projenin tüm detaylarını, kodlarını ve analizlerini aşağıdaki platformlardan takip edebilirsiniz:
📬 Bana ulaşmak isterseniz:
Ayrıca Streamlit uygulamasına canlı demo olarak ulaşabilirsiniz.
Her türlü görüş, öneri ve katkınız benim için çok değerli. Medium veya LinkedIn üzerinden ulaşabilirsiniz. 🙌
