خلاصة:
ریسک اعتباری که به معنی احتمال عدم بازپرداخحت تعهدات توسط مشتریان در
سررسید تعبیر میشود بهعنوان یکی از عوامل ورشکستگی موسسات مالی قلمداد
میشود. بدین منظور از تکنیکهای دادهکاوی نظیر شبکه عصبی، درخت تصمیم، شبکه
بیز، K نردیکترین همسایه و ماشین بردار پشتیبان برای دستهبندی مشتریان به مشتریان
پر ریسک و کم ریسک استفاده شده است. در این مقاله یک روش ترکیبی از الگوریتم
بهینهسازی رقابت استعماری و شبکه عصبی برای افزایش دقت دستهبندی در ارزیابی و
سنجش ریسک اعتباری مشتریان بانکی ارائه میدهد. این روش با شناسایی
زیرمجموعهی ویژگیهای بهینه و حذف ویژگیهای غیرضروری از تمامی ویژگیهای
موجود در دادهها به کاهش ابعاد مسئله و افزایش دقت طبقهبندی میپردازد. رویکرد
پیشنهادشده بر روی مجموعه دادههای واقعی پایگاه داده UCI و همچنین دادههای
واقعی یک بانک خصوصی ایرانی بهمنظور اعتبارسنجی اعمال شد. نتایج تجربی
بهدستآمده نشان داد میزان خطای شبکه عصبی برای مجموعه آزمون با انتخاب
ویژگیهای مور و حذف ویژگیهای کم اثر توسط الگوریتم بهینهسازی صفر و یک
رقابت استعماری کاهش می یابد. بعلاوه، برای سایر روش ها طبقه بندی استفاده شده، میزان خطای داده آزمون در حد قابل قبولی باقی می ماند. برای اولی بار در ای مقاله از
الگوریتم رقابت استعماری برای ارزیابی ریسک اعتباری مشتریان بانکی استفاده شده است.
ملخص الجهاز:
بدین منظور از تکنیک های داده کاوی نظیر شبکه عصبی، درخت تصمیم ، شبکه بیز، k نزدیک ترین همسایه و ماشین بردار پشتیبان برای دسته بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده شده است .
در این مقاله یک روش ترکیبی از الگوریتم بهینه سازی رقابت استعماری و شبکه عصبی برای افزایش دقت دسته بندی در ارزیابی و سنجش ریسک اعتباری مشتریان بانکی ارائه میدهد.
الگوریتم بهینه سازی استفاده شده با دیگر الگوریتم ها، به مقایسه عملکرد دیگر روش های طبقه بندی نظیر درخت تصمیم ، شبکه های بیزی، نزدیک ترین همسایگی و ماشین بردار پشتیبان بر روی ویژگیهای انتخابی پرداختیم .
در پژوهش ذکرشده از اورسکی و همکاران ، با استفاده از الگوریتم ژنتیک و شبکه عصبی به انتخاب ویژگیهای بهینه پرداخته و با سایر روش های انتخاب ویژگی مقایسه شده است ؛ اما کاربردی از روش های طبقه بندی دیگر برای تعیین تائید صحت طبقه بندی دیده نمیشود.
ما در پژوهش خود روشی مبتنی بر الگوریتم رقابت استعماری و شبکه عصبی ارائه داده ایم که عملکرد بهتری نسبت به مدل اورسکی و همکاران داشته است و برای تصدیق ویژگیهای انتخابی از چهار روش طبقه بندی دیگر نیز استفاده کرده ایم .
نتایج به دست آمده با استفاده از مجموعه داده های مالی دنیای واقعی SEC EDGARD نشان داد که این روش قابل رقابت با مدل رگرسیون لجستیک و شبکه عصبی خودسازمانده است .
تابع هدف استفاده شده در هر دو الگوریتم میزان خطای پیش بینی داده های تست برای روش طبقه بندی شبکه عصبی است .