خلاصة:
یکی از تصمیمات مهم در بانک ها و مؤسسات مالی و اعتباري، تصمیم گیري
در مورد اعطاي وام به مشتریان و کاهش ریسک اعتباري است . هدف این
مقاله، ارائه مدلی مبتنی بر شبکه هاي عصبی پیش خور براي شناسایی
مشتریان اعتباري بد حساب در بانک سامان است . جهت یافتن ساخت اري
مناسب براي شبکه عصبی در مدل پیشنهادي، از سه استراتژي سریع، پویا و
چندگانه استفاده شده است. سه طرح یادگیري از نسبت هاي مختلف داده هاي
آموزشی، آزمایشی و اعتبارسنجی تشکیل شده و شبکه هاي عصبی مورد
استفاده، در پیکربندي و تعداد لایه هاي پنهان با یکدیگر اختلاف دارند . در این
استفاده شده است . داده هاي مورد CRISP پژوهش از متدولوژي داده کاوي
استفاده در این پژوهش، داده هاي مربوط به مشتریان اعتباري بانک سامان
طی سالهاي 1379 الی 1387 است. براي آماده سازي داده ها، پیش پردازش
کاملی روي داده ها صورت گرفته است. جهت پیش گیري از بیش برازش مدل
با مشخصات داده هاي آموزشی، بر اساس روش اعتبارسنجی تقاطعی، داده ها
به سه قسمت داده هاي آموزشی، آزمایشی و اعتبارسنجی تقسیم گردیدند .
براي ارزیابی مدل پیشنهادي، نتایج حاصل از استراتژي ها و طرح هاي مختلف
در شبکه ها با یکدیگر و با برخی از روش هاي رایج پیش بینی نظیر درخت
تصمیم و رگرسیون لجستیک مقایسه گردیده است. نتایج حاصل نشان می دهد
که شبکه عصبی سه لایه تحت الگوریتم یادگیري پس انتشار و با استراتژي
سریع و طرح یادگیري اول از دقت بالاتري برخوردار است.
ملخص الجهاز:
"روش های داده کاوی، بخصوص الگوهای دسته بندی با استفاده از داده های مشتریان گذشته ، اهمیت زیادی در ساخت مدل های پیش بینی دارند (٢٠٠٨ ,Lai &Lu,Wang ).
در این پژوهش از مدل پیش بینی برای دسته بندی متقاضیان اعتباری جدید و پیش بینی وضعیت بازپرداخت آنها بر اساس تکنیک شبکه های عصبی استفاده شده است .
در بخش ٤ ابتدا به بررسی طرح های یادگیری بر اساس نسبت های مختلف داده های آموزشی، آزمایشی و اعتبارسنجی می پردازیم ، سپس نتایج حاصل از مدلسازی تشریح خواهد شد و در بخش ٥ به جمع بندی مطالب و نتیجه گیری نهایی و همچنین ارائه پیشنهادهایی برای تحقیقات آینده پرداخته می شود.
نتایج تحقیقات مرتبط نشان می دهد که شبکه های عصبی در میان سایر تکنیک ها، ابزاری دقیق برای تحلیل ریسک اعتباری است ,Lee &Min ) (٢٠٠٨.
Setiono et al) از الگوریتم بازگشتی برای استخراج قوانین دسته بندی از شبکه های عصبی پیش خور که با مجموعه داده اعتباری آموزش داده شده بودند، استفاده کردند.
در این پژوهش برای پیش بینی وضعیت مشتریان از شبکه های عصبی پرسپترون دو لایه ، سه لایه و چهار لایه تحت الگوریتم یادگیری پس انتشار خطا استفاده شده است .
همچنین نتایج حاصل از پیش بینی وضعیت تسهیلات با استفاده از شبکه عصبی چهار لایه با استراتژی سریع و طرح یادگیری اول که در بین تمام شبکه ها، کمترین دقت را دارد، در جدول ٥- ارائه شده است ."