یک روش ترکیبی جدید بر اساس خوشه بندی و الگوریتم ژنتیک برای امتیاز بندی مشتریان بانک

درامتیاز بندی اعتباری هدف کلی پیش بینی هرچه دقیقتر میزان شایستگی مشتریان است و تاکنون طیف وسیعی از انواع روشهای آماری و هوش مصنوعی برای دستیابی به این هدف بکارگرفته شدها ست اما در بیشتر روشهای مورد بحث نمی توان از روی داده های دو کلاسی بصورت چند کلاسی اقدام به دسته بندی نمود درحالیکه در عمل همیشه یک مشتری با درجه ای از خوب یا بد سنجیده می شود انجام این کار با مدلهای آماری نیز نیازمند وجود مفروضات خاصی است که اغلب محقق نمی شود از این رو در این مقاله سعی شده تا پس از رفع مشکلات موجود در دادها با استفاده از خوشه بندی برای هرکدام از نمونه ها یک برچسب ثانویه ایجاد شود سپس با استفاده از یک مدل sVM چندکلاسی اقدام به دسته بندی داده های جدید می شود بدین منظور با اعملا دو رویکرد متفاوت یکی برمبنای انتخاب ویژگی و تنظیم پارامترها بصورت جداگانه جستجوی مستقیم و انتخاب ویژگی آزمون t و دیگری بصورت همزمان الگوریتم ژنتیک اقدام به مقایسه نتایج با مدل لاجیت شده است نتایج پیاده سازی نشان میدهد که مدل پیشنهادی علاوه بر افزایش دقت در شناسایی درست کلاسها توزیع بهتری از نتایج را بخصوص دررویکرد دوم بدست میدهد.

کلیدواژه ها:

امتیاز بندی اعتباری ، لاجیت ، انتخاب ویژگی ، خوشه بندی ، خوشه بندی کاهشی ، ماشین بردار پشتیبان ، الگوریتم ژنتیک