زهرا فتحی اقدم - کارشناسی، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران
محمدرضا رسولی - استادیار، گروه مهندسی سیستم های هوشمند، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

عمده ترین ریسک در موسسات مالی، ریسک اعتباری است که عدم توانایی قرض گیرنده در بازپرداخت تسهیلات و وام در موعد مقرر معنامی شود. امروزه کارشناسان موسسات می توانند با تحلیل داده های مشتریان و استفاده از یادگیری ماشین، برای تخصیص اعتبارات به آنهاتصمیم گیری نمایند. بنابراین، اعطا و عدم اعطای وام، بدون قضاوت شخصی و بر مبنای ریاضیات انجام می گیرد. در تحقیق پیشرو، داده هایمشتریان موسسه لندینگ کلاب از وبسایت کگل جمع آوری شده است و الگوریتم های مختلف یادگیری ماشین برای پیش بینی ریسکاعتباری بررسی شده است. چالش های مهم این پژوهش، انتخاب ویژگی ها و مدل سازی بر کلاس های نامتوازن بود. فلذا، نوآوری کلیدی اینپژوهش استفاده از روش های انتخاب ویژگی شامل آزمون تحلیل واریانس، آزمون اطلاعات متقابل و روش حذف بازگشتی ویژگی و ترکیبآنها با الگوریتم های یادگیری ماشین برای پیش بینی ریسک اعتباری می باشد. همچنین برای مدل سازی بر کلاس های نامتوازن ، الگوریتم هایحساس به هزینه مانند درخت تصمیم ، ماشین بردار پشتیبان و الگوریتم های جمعی مثل جنگل تصادفی و تقویت گرادیان سبک استفاده شد. دیگر نوآوری پژوهش استفاده از الگوریتم های جدیدتر حوزه یادگیری ماشین مانند تقویت گرادیان سبک می باشد و نتایج نشانمی دهد بهترین طبقه بندی توسط همین الگوریتم و بر ویژگی های منتخب از روش آزمون تحلیل واریانس انجام گرفته است. مساحت زیرمنحنی مشخصه عملکرد این مدل برابر با ۰.۷۲۴ و معیار اف ۰.۵ برابر با ۰.۷۸۸ است.

ریسک اعتباری، طبقه بندی، درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی، تقویت گرادیان سبک