480

A binary Cuckoo an​d Imperialist Competitive optimization algorithm for Optimal Feature Selection to Improve the prediction of bank customersʹ credit risk with data mining techniques

كارشناسي ارشد

صنايع

تهران شمال

1394

94/11/28

19

167ص.

صالحي، مجتبي

155-165ص.

Credit Risk , Feature Selection , Classification

در سال‌هاي اخير افزايش تقاضاي مشتريان دريافت اعتبار منجربه رقابتي شديد درصنعت اعتباري شده است. از اين رو بخش اعتباري بانك‌ها هر روز با حجم عظيمي از داده‌هاي اعتباري سر و كار دارند. بنابراين مديران مجبور به بكارگيري و بسط روش‌هاي يادگيري ماشين در تحليل داده‌هاي اعتباري مي‌باشند تا به اين صورت از اتلاف وقت، انرژي و هزينه جلوگيري كرده و همچنين ميزان خطاهاي موجود در اين زمينه را كاهش دهند. ريسك اعتباري از جمله ريسك‌هاي مالي است كه بانك‌ها و موسسات مالي با آن روبرو هستند و از عوامل مهم ورشكستگي آنها به شمار مي‌آيد.بدين منظور از تكنيكهاي داده‌كاوي نظير شبكه عصبي، درخت تصميم، شبكه بيز،k نزديك‌ترين همسايه و ماشين بردار پشتيبان براي دسته‌بندي مشتريان به مشتريان پر ريسك و كم ريسك استفاده شده است. در اينپژوهشيك روش تركيبي از الگوريتم بهينه‌سازي فاخته و رقابت استعماريبا شبكه عصبي براي افزايش دقت دسته‌بندي در ارزيابي و سنجش ريسك اعتباري مشتريان بانكي ارائه مي‌دهد. اين روش با شناسايي زير‌مجموعه‌ي ويژگي‌هاي بهينه و حذف ويژگي‌هاي غير ضروري از تمامي ويژگي‌هاي موجود در داده‌ها به كاهش ابعاد مساله و افزايش دقت طبقه‌بندي مي‌‌پردازد.همچنين روش تاگوچي براي تنظيم پارامتر الگوريتم‌هاي بهينه‌سازي استفاده شده در پژوهش، به‌كار برده شد. رويكرد پيشنهاد شده بر روي مجموعه داده‌هاي واقعي پايگاه داده UCI و همچنين داده‌هاي واقعييك بانك خصوصي ايراني به منظور اعتبارسنجي اعمال شد. نتايج تجربي بدست آمده نشان داد ميزان خطاي شبكه عصبي براي مجموعه داده تست با انتخاب ويژگي‌هاي موثر و حذف ويژگي‌هاي كم اثر توسط الگوريتم بهينه‌سازي صفر و يك فاخته و رقابت استعماري كاهش مي‌يابد. بعلاوه، براي ساير روش‌هاي طبقه‌بندي استفاده شده، ميزان خطاي داده تست در حد قابل قبولي باقي مي‌ماند. براي اولين بار در اينپژوهش از الگوريتم رقابت استعماري و الگوريتم فاخته براي ارزيابي ريسك اعتباري مشتريان بانكي استفاده شده است.

39678