ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Evaluation of Data Mining Classification Techniques and Performances to Banking Customers Credit Scoring

سال انتشار: 1390
کد COI مقاله: SASTECH05_130
زبان مقاله: انگلیسیمشاهده این مقاله: 968
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Evaluation of Data Mining Classification Techniques and Performances to Banking Customers Credit Scoring

Narges khalesi - Master Student of Islamic Azad University, Zanjan
Amir hoeiyn shokuhi - MS Computer Engineering – Iran university of Science and Technology

چکیده مقاله:

The clarity of the information about Iran’s banking system is increased at the result of the globalization of trade and the growing economy of the country’s economy and this is playing a significant role in the process of the banks in primary customer. Such a system which assist the banks in reaching their goals will require diversity ground. This system have some problems in Iran’s banking system due to the lack of comprehensive data bank of bank’s customer that these problems will be reveled in the payment facility to customers or presentation long-term programs about the amount of the facilities that will paid in the future and also this can’t considered as a guarantee for receipt of claims. Thus the lack of the full validation and scoring customers in Iranian banks with the aim of transparency and competition in the banking system is one of the main reasons for increased bank demand.There are many data mining techniques for predicting and validation of bank’s customers, that the most famous techniques is considered in this article which included: support vector machines, genetic programming, denotative analysis, logical regression, C4.5, Bagging, Boosting.

کلیدواژه ها:

Banking facilities, Data mining, Validation

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا SASTECH05_130 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/157435/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
khalesi, Narges and shokuhi, Amir hoeiyn,1390,Evaluation of Data Mining Classification Techniques and Performances to Banking Customers Credit Scoring,5th Symposium on Advances in Science and Technology,Mashhad,,,https://civilica.com/doc/157435

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1390, khalesi, Narges؛ Amir hoeiyn shokuhi)
برای بار دوم به بعد: (1390, khalesi؛ shokuhi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Baesens, B., Setiono, R., Mues, C.; and Vanthienen, J. (2003). ...
  • Baesens, B., Van Gestel, T. Viaene, S. Stepanova, M., Suykens, ...
  • Chen, M. S., Han, J., Yu, P. S. (1996). Data ...
  • Cheng-Lung Huang et al.(2006). Credit scoring with a data mining ...
  • Chen, S. Y., & Liu, X. (2004).The contribution of data ...
  • Drucker, H ., Schapire, R., Simard P. (1 993).Boosting performance ...
  • Freund, Y. , Robert, E., , Schapire. (1997).A decis ion-theoretic ...
  • Friedman J. (2003). Recent advances in predictive machine learning, Proceedings ...
  • Frydman H.E., Altman, E.I., and Kao D-L. (1985). Introducing recursive ...
  • Han. J, .Kamber M. (2001). Data Mining: Concepts and Techniques, ...
  • Henley, W. E.(1995). Statistical aspects of credit scoring, Dissertation, The ...
  • Henley W. E., and Hand, D. J. (1996). A k-nearest ...
  • Hsieh. N.-C. (2005). Hybrid mining approach in the design of ...
  • s" sAsrech 2011, Khavaran Higher-education Institute, Mashhad, Iran. May 12-14 ...
  • Hussein A.Abdou. (2010). Genetic Programming for credit scoring: The case ...
  • Ince. .H, Aktan .B. (2009). A comparison of data mining ...
  • Koza, _ John R. Koz, (1990). Genetic progranuming: A paradigm ...
  • Lee, T.-S., Chen, I.-F. (2005). A two-Stage hybrid credit scoring ...
  • Lee, T.-S., Chiu, C.-C., Lu, C.-J., & Chen, I.-F. (2005). ...
  • Lee, T. S., Chiu, C. C., Chou, Y. C., Lu, ...
  • Malhotra, R., & Malhotra, D. K. (2005) _ Differentiating between ...
  • D. martens et al. (2007). Comprehens ible credit scoring models ...
  • Murphy, P. M., Aha, D. W. (2005). UCI repository of ...
  • Ong, C.-S., Huang, J.-J., Tzeng, G.-H. (2005). Building credit scoring ...
  • Reichert, A. K., Cho, C. C., Wagner, G. M. (1983). ...
  • Schapire, Robert E., Singer, Yoram, (1997). Improved boosting algorithms using ...
  • Schebesch KB, Stecking R. (2005). Support vector machines for classifying ...
  • Thomas, L. C. (2000). A Survey of credit and behavioral ...
  • Vapnik V. N. (1995). The nature of statistical learming Theory, ...
  • s" sAsrech 2011, Khavaran Higher-education Institute, Mashhad, Iran. May 12-14 ...
  • West, D.(2005). Neural network credt scoring models, Computers and Operations ...
  • Xiujuan Xu et al. (2009). Credit scoring algorithm based on ...
  • Yan Zhan, Hao Chen and Guo-Chun Zhang. (2006). An optimization ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی