''KREDIT XAVFINI BAHOLASH UCHUN MASHINALI O'RGANISH (ML) MODELI YARATISH''

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 24 ‘’KREDIT XAVFINI BAHOLASH UCHUN MASHINALI O‘RGANISH (ML) MODELI YARATISH’’ Sadbaraliyev Fayzullo Valijon o‘g‘li email: [email protected] tel:935776757 Ilmiy raxbar: Zokirov Sanjarbek Fergana State technical Univercity, Fergana, Uzbekiston https://doi.org/10.5281/zenodo.17987850 Annotatsiya: Ushbu maqolada kredit xavfini baholash jarayonini avtomatlashtirish va optimallashtirishda mashina o‘rganish (ML) modellaridan foydalanish masalasi yoritiladi. Kredit skoring tizimining asosiy bosqichlari, ma’lumotlarni tayyorlash, algoritmlar tanlovi, model qurish jarayoni hamda Random Forest asosida amaliy misol ko‘rib chiqiladi. This article discusses the use of machine learning (ML) models in automating and optimizing the credit risk assessment process. It reviews the main stages of the credit scoring system, data preparation, algorithm selection, model-building steps, and provides a practical example based on the Random Forest algorithm. В данной статье рассматривается использование моделей машинного обучения (ML) для автоматизации и оптимизации процесса оценки кредитного риска. Описаны основные этапы системы кредитного скоринга, подготовка данных, выбор алгоритмов, построение модели, а также приведён практический пример на основе алгоритма Random Forest. Kalit so‘zlar: Kredit xavfi, Mashina o‘rganish, Kredit skoring, Ma’lumotlarni tahlil qilish, Random Forest, Bashorat modeli, Moliyaviy risklarni boshqarish. Kirish. Moliyaviy tashkilotlar kredit ajratishda mijozning to‘lov qobiliyatini aniq baholashlari zarur. An’anaviy usullar inson omiliga bog‘langan bo‘lib, jarayon sekin, noaniq va sub’ektiv qarorlar ehtimoli yuqori. Mashina o‘rganish modellarining joriy etilishi esa tarixiy ma’lumotlarga asoslangan holda kreditni qaytarmaslik ehtimolini ancha aniq bashorat qilish imkonini beradi. Shu sababli ML texnologiyalari kredit skoring jarayonining ajralmas qismiga aylanib bormoqda. Kreit xavfi (Credit Risk) — bu mijoz olgan kreditni o‘z vaqtida yoki butunlay qaytarmaslik ehtimoli. Kredit xavfini to‘g‘ri baholash quyidagi afzalliklarni beradi: Bank zararlarini kamaytirish. Foiz stavkalarini optimal belgilash. Firibgarlikning oldini olish. Kredit portfeli sifatini oshirish. ML asosida kredit xavfini baholash bosqichlari: ➢ Ma’lumotlarni yig‘ish ➢ Kredit riskini baholash uchun turli xil ma’lumotlar to‘planadi: ➢ Mijozning yoshi, jinsi, oilaviy holati. ➢ Daromad va bandlik ma’lumotlari. ➢ Oldingi kreditlar tarixi. To‘lov intizomi. ➢ Kredit miqdori va muddati. ➢ Ma’lumotlarni tozalash va tayyorlash. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 25 ML modellarining samaradorligi ma’lumotlar sifatiga bog‘liq. Shu sababli quyidagi amallar bajariladi: Y.etishmayotgan qiymatlarni to‘ldirish kategorik ma’lumotlarni kodlash (One-Hot Encoding, Label Encoding) G‘ayrioddiy qiymatlarni aniqlash. skalalash yoki normalizatsiya (StandardScaler, MinMaxScaler) Maqsadli o‘zgaruvchini belgilash Model quyidagi ikkilik target bilan ishlaydi: 1 – kreditni qaytarmagan (defaulter) 0 – kreditni qaytargan (non-defaulter) Modelni tanlash Kredit xavfini baholashda keng qo‘llaniladigan mashina o‘rganish algoritmlari: ogistic Regression — sodda va tushunarli model Random Forest — yuqori aniqlik va barqarorlikka ega Gradient Boosting (XGBoost, LightGBM, CatBoost) — eng yaxshi natijalarni beradi SVM — murakkab, lekin chiziqli bo‘lmagan bog‘lanishlarni topadi Neyron tarmoqlar — katta hajmdagi ma’lumotlar uchun samarali Amaliyotda Random Forest va XGBoost algoritmlari eng yaxshi natija beradi. Modelni o‘qitish Ma’lumotlar odatda 70–80% trening va 20–30% test to‘plamlariga ajratiladi. Model tarixiy ma’lumotlarga asoslanib mijoz kreditni qaytarmaslik ehtimolini o‘rganadi. Modelni baholash mezonlari Accuracy – umumiy aniqlik Precision – xavfli deb topilgan mijozlarning haqiqiy ulushi Recall – defaulterlarni aniqlash qobiliyati (eng muhim ko‘rsatkichlardan biri) ROC-AUC – modelning umumiy samaradorligini baholash F1-score – Precision va Recallning muvozanati Random Forest asosida kredit xavfini baholash (amaliy misol) Random Forest — bir nechta qaror daraxtlaridan iborat bo‘lgan ansambl modeli bo‘lib, yakuniy natija daraxtlarning ko‘pchilik ovoziga asoslanadi. Afzalliklari: ➢ ortiqcha o‘rganishga chidamli ➢ o‘zgaruvchilar ahamiyatini ko‘rsatadi ➢ sozlamalari murakkab emas. Ishlash prinsipi. ➢ ma’lumotlar tasodifiy tarzda bo‘limlarga ajratiladi ➢ har bir daraxt o‘ziga ajratilgan ma’lumot asosida o‘qitiladi ➢ yakuniy qaror — barcha daraxtlar ovozining natijasi. Model natijalarini talqin qilish. Banklar uchun modelning faqat bashorat berishi yetarli emas. Qaror nima asosida qabul qilingani ham muhim. Buning uchun: Feature Importance — o‘zgaruvchilar ta’sir kuchini ko‘rsatadi SHAP qiymatlari — model qarorining tushuntirilishini beradi. Masalan, mijoz xavfli deb topilgan bo‘lsa, bunga quyidagilar sabab bo‘lishi mumkin. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 26 Past daromad Avia oldingi kreditlar bo‘yicha qarzdorlik To‘lov intizomining pastligi Xulosa Kredit xavfini baholashda mashina o‘rganish metodlari an’anaviy usullarga nisbatan ancha aniq, tez va ishonchli natija beradi. Random Forest, Gradient Boosting kabi algoritmlar kreditni qaytarish ehtimolini samarali bashorat qiladi. ML asosidagi kredit skoring: kredit qarorlarini avtomatlashtiradi, bank risklarini kamaytiradi, kredit portfeli sifatini oshiradi. Adabiyotlar, References, Литературы: 1. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning (2nd ed.). Springer. 2. Friedman, J., Hastie, T., & Tibshirani, R. (2009). The Elements of Statistical Learning. Springer. 3. Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann. 4. Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of Machine Learning for Predictive Data Analytics. MIT Press.