یک مدل پیش بینی برای شناسایی مشتریان اعتباری بد حساب در بانک سامان
نویسنده:
چکیده:
یکی از تصمیمات مهم در بانک ها و موسسات مالی و اعتباری، تصمیم گیری در مورد اعطای وام به مشتریان و کاهش ریسک اعتباری است. هدف این مقاله، ارائه مدلی مبتنی بر شبکه های عصبی پیش خور برای شناسایی مشتریان اعتباری بد حساب در بانک سامان است. جهت یافتن ساختاری مناسب برای شبکه عصبی در مدل پیشنهادی، از سه استراتژی سریع، پویا و چندگانه استفاده شده است. سه طرح یادگیری از نسبت های مختلف داده های آموزشی، آزمایشی و اعتبارسنجی تشکیل شده و شبکه های عصبی مورد استفاده، در پیکربندی و تعداد لایه های پنهان با یکدیگر اختلاف دارند. در این پژوهش از متدولوژی داده کاوی CRISP استفاده شده است. داده های مورد استفاده در این پژوهش، داده های مربوط به مشتریان اعتباری بانک سامان طی سالهای 1379 الی 1387 است. برای آماده سازی داده ها، پیش پردازش کاملی روی داده ها صورت گرفته است. جهت پیش گیری از بیش برازش مدل با مشخصات داده های آموزشی، بر اساس روش اعتبارسنجی تقاطعی، داده ها به سه قسمت داده های آموزشی، آزمایشی و اعتبارسنجی تقسیم گردیدند. برای ارزیابی مدل پیشنهادی، نتایج حاصل از استراتژی ها و طرح های مختلف در شبکه ها با یکدیگر و با برخی از روش های رایج پیش بینی نظیر درخت تصمیم و رگرسیون لجستیک مقایسه گردیده است. نتایج حاصل نشان می دهد که شبکه عصبی سه لایه تحت الگوریتم یادگیری پس انتشار و با استراتژی سریع و طرح یادگیری اول از دقت بالاتری برخوردار است.
کلیدواژگان:
زبان:
فارسی
انتشار در:
در صفحه:
68
لینک کوتاه:
magiran.com/p1699293
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!