چکیده:
در این پژوهش، هدف، بهره گیری از ابزارهای داده کاوی و منطق فازی برای طبقه بندی مشتریان تسهیلات اعتباری می باشد به طوریکه ابهامات و عدم قطعیت را در خصوص طبقات مشتریان و نیز متغیرهای تاثیر گذار در رفتار آنها را پوشش دهد. روش کار بدین شکل می باشد که طبق یک فرایند استاندارد داده کاوی، داده های مشتریان سابق بانک سامان جمع آوری و پالایش شده و سپس طبقات و متغیرهایی که قابلیت فازی کردن داشتند، طبق نظر کارشناسان بانک و با توجه به اصطلاحات کلامی آنها برای این متغیرها، فازی شده و با استفاده از تکنیک درخت تصمیم فازی، داده های نهایی مدلسازی گردیدند. همچنین داده های غیر فازی نیز با چند الگوریتم دیگر مدلسازی شدند. نتیجه حاصل شده نشان داد که درخت تصمیم فازی نتایج بهتری را به لحاظ دقت تفکیک مشتریان نسبت به درختهای سنتی، شبکه های عصبی و روش های آماری از قبیل رگرسیون لجستیک و شبکه های بیزین دارد؛ ولی نسبت به مدل های درخت ژنتیکی و ماشین بردار پشتیبان دقت کمتری دارد. از طرفی تکنیک درخت تصمیم فازی نسبت به عملکرد پیش بینی کارشناسان اعتبارسنج بانک نیز قدرت پیش بینی بهتری حاصل نموده است.
This research study aims at using Data Mining and Fuzzy Logic approaches to classify the credit scoring of banking system applicants as to cover uncertainties and ambiguity connected with applicant classes and also variables that affect their behavior.
The methodology، according to a standard Data Mining process، is to collect and refine the client data، then those variables which are in linguistic forms are converted to fuzzy variables under the supervision of banking experts and final data are modeled using Fuzzy Decision Tree، subsequently. The unfuzzy data are also modeled using the other algorithms.
The results of the study suggest that as far as client distinction accuracy is concerned Fuzzy Decision Tree produces better results compared to Traditional Trees، Neural Networks، and statistical procedures such as Logistic Regression and Bayesian Network.
However، it is not as accurate as Support Vector Machine and Genetic Tree. On the other hand، Fuzzy Decision Tree technique has gained better prediction than prediction performance of bank credit scoring
experts.