ارائه ی مدل هیبریدی مبتنی بر الگوریتم ژنتیک، بهینه سازی بیزین و یادگیری ماشینی جهت پیش بینی وضعیت اعتباری مشتریان

این مقاله به ارائه ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می پردازد که ترکیبی از الگوریتم ژنتیک، بهینه سازی بیزین و مدل یادگیری ماشینی XGBoost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه های مرتبط با بروز اشتباه در پیش بینی هاست. در این تحقیق، داده های واقعی مربوط به مشتریان بانکی مورد استفاده قرار گرفته و پس از پیش پردازش داده ها شامل نرمال سازی و مدیریت داده های گم شده، از الگوریتم ژنتیک برای انتخاب ویژگی های بهینه مورد استفاده قرار گرفته است. سپس، بهینه سازی بیزین به عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای XGBoost به کار گرفته شده است. نتایج حاصل شده از پژوهش، بیان گر عملکرد برتر مدل پیشنهادی در مقایسه با روش های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت ۷۶ /۸۲ درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به ویژه در طبقه بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل های آماری و مقایسه عملکرد مدل با سایر روش های موجود، تاثیر مثبت انتخاب ویژگی و تنظیم بهینه ابرپارامترها را تایید می کند. این مدل می تواند به عنوان یک ابزار عملیاتی برای بانک ها و موسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.

کلیدواژه ها:

اعتبارسنجی ، مدل هیبریدی ، الگوریتم ژنتیک ، بهینه سازی بیزین ، مدل یادگیری ماشینی XGBoost