Katman X · Yorumlanabilirlik vs Tahmin Gücü · 27 / 29

Model Seçim Stratejisi: Doğruluk vs Yorumlanabilirlik

bu bölümün sorusu

"XGBoost her zaman daha iyidir" mi? Hayır. Soru "en iyi AUC hangi modelde?" değil, "bu kullanım amacı için doğru model hangisi?" — ve bu soru teknik olduğu kadar yönetişimsel bir sorudur.

Bu bölümün sonunda

Model seçimini performans dışındaki kısıtlarla birlikte yapmak
Kullanım amacı, bakım ve yönetişim maliyetini değerlendirmek
Champion–challenger kanıtını önceden tanımlı ölçütlerle kurmak

model seçim kriterleri: beş boyut

Model seçimi asla tek boyutlu bir optimizasyon değildir. AUC'unu maksimize etmek, diğer kısıtları görmezden gelmek anlamına gelir. Pratik model seçimini belirleyen beş boyut:

Düzenleyici uyum: IRB modeli ekonomik anlam, denetlenebilirlik, istikrar ve kullanım kanıtı sunmalıdır. GBM/NN bu kanıtı zorlaştırabilir; algoritma adı tek başına uygunluğu belirlemez.

Veri boyutu: Küçük veya seyrek veride basit model daha düşük varyans sağlayabilir; evrensel bir n eşiği yoktur. Feature sayısı yüksekse regularizasyon kritik.

İlişki karmaşıklığı: Özellikler arasında yüksek-düzey etkileşimler var mı? Yoksa lineer ilişkiler hakim mi? Ikincisinde basit model yeterlidir.

Deployment kısıtları: Gerçek zamanlı tahmin mi, toplu işlem mi? Bellek, gecikme, yeniden eğitim sıklığı?

İzleme yeteneği: Derin modeller drifti daha zor sinyaller verir. Logistic regression katsayı izleme, GBM'de anlamlı olmaz.

No Free Lunch teoremi: herhangi bir öğrenme algoritması, tüm problem dağılımları üzerinde ortalaması alındığında eşit derecede iyi (veya kötü) performans gösterir. "En iyi model" her zaman bağlama özgüdür.

artifact — model yorumlanabilirlik & performans haritası

Her model tipi yorumlanabilirlik (X ekseni) ve diskriminasyon gücü (Y ekseni) açısından konumlandırıldı. Bir kullanım amacı seçin — o amaca uygun bölge vurgulanır, önerilen modeller parlak görünür.

interactive — model yorumlanabilirlik & performans haritası

katman X · bölüm 27

Kullanım amacı:

Model baloncukların boyutu model karmaşıklığını temsil eder. X ekseni yüksek = yorumlanabilir; Y ekseni yüksek = güçlü diskriminasyon.

Bankacılıkta kısıtları farklı kullanım alanları vardır: ihtiyatlı onaya tabi IRB, muhasebe/denetim kapsamındaki IFRS 9 ve operasyonel modeller (fraud, collections, behavioral). İki dünya farklı kısıtlara sahip. Bir ML mühendisinin yalnız AUC’a göre “en iyi” dediği model, IRB dosyasında ek ekonomik, istikrar ve yönetişim kanıtı olmadan savunulamaz.

bankacılıkta model türü ve kullanım alanı

Model Türü	IRB PD/LGD	Fraud	IFRS 9	Behavioral	Erken Uyarı
Logistik Regresyon	✓ Birincil	◦ Temel	✓ Birincil	◦ OK	◦ OK
WoE Scorecard	✓ Birincil	◦ Sınırlı	✓ Birincil	◦ OK	◦ OK
Karar Ağacı (sığ)	◦ Destekleyici	◦ Sınırlı	◦ Destekleyici	◦ OK	✓ OK
Random Forest / GBM	◦ Yüksek kanıt yükü	✓ Birincil	◦ Kullanıma bağlı	✓ Birincil	✓ Birincil
Sinir Ağı / Deep	◦ Yüksek kanıt yükü	✓ Yüksek perf.	◦ Kullanıma bağlı	◦ Özel durum	◦ Yüksek yönetişim

Hibrit yaklaşım: Bazı bankalar IRB için yorumlanabilir "backbone" model kullanır, üzerine GBM tabanlı "overlay" katar. Overlay regülatörle önceden onaylanmış ise kabul edilebilir. Ama overlay'in katkısını ve yorumunu dokümante etmek zorunludur — aksi takdirde model riski onay sürecinde takılır.

düzenleyici dayanak

yasal vs yönetsel EBA/CRR onay SR 26-2

Doğruluk-yorumlanabilirlik ekseni aslında iki dünyanın gerilimidir. IRB sermaye modelleri yetkili otorite iznine tabidir; IFRS 9 ECL modelleri ise muhasebe, denetim ve model yönetişimi kapsamındadır fakat aynı IRB onay rejimine tabi değildir; yorumlanabilirlik, ekonomik gerekçe ve istikrar şarttır (CRR/EBA) — bu yüzden logit+WoE hâkimdir. Yönetsel modeller (davranışsal skor, erken uyarı, fiyatlama) onay kapsamı dışında daha yüksek tahmin gücü için ML kullanabilir. Tercih teknik değil yönetişimseldir: hangi modelin nerede kullanılabileceğini SR 26-2 ve yerel onay çerçevesi belirler.

CRR/EBA IRB onayı · IFRS 9 · SR 26-2 (kullanım kapsamı) · BDDK İDD

tipik hata

Yaygın yanılgı: "Yorumlanabilir model seçmek performanstan taviz vermektir." Çoğu bankacılık uygulamasında bu yanlış. WoE scorecard + lojistik regresyon, iyi feature engineering ile GBM'e oldukça yakın AUC üretir. Performans farkının büyüklüğü veri ve probleme bağlıdır; fark güven aralığı, kalibrasyon, bakım ve yönetişim maliyetiyle birlikte değerlendirilmelidir.

İkinci yanılgı: model seçimini veri bilimciye bırakmak. Model seçimi teknik değil, stratejik bir karardır: kullanım amacı, regülatör ilişkisi, model risk iştahı ve uzun vadeli bakım maliyeti dahil. Veri bilimci teknik boyutu, model risk ve iş birimleri strateji boyutunu birlikte değerlendirmelidir.

Sıradaki adım: Model seçtik — peki politika kararlarının etkisini nasıl ölçeriz? Nedensel çıkarım ve A/B testi: "limit artışı temerrüdü gerçekten azalttı mı?"

Sıradaki bölüm · Katman X · 28

Nedensel Çıkarım & A/B Testi

→