بررسی و مقایسه عملکرد الگوریتم های یادگیری ماشین در پیش بینی تایید یا رد درخواست کارت اعتباری

هدف اصلی این پژوهش، بررسی و مقایسه عملکرد الگوریتم های یادگیری ماشین برای پیش بینی تایید یا رد درخواست کارت اعتباری است. به منظور دستیابی به این هدف، از مجموعه داده های عمومی موجود در منابع معتبر نظیر Kaggle و UCI Machine Learning Repository استفاده شد. داده ها پس از پیش پردازش شامل مدیریت داده های گمشده، حذف داده های پرت و نرمال سازی ویژگی ها، به پنج مدل یادگیری ماشین )درخت تصمیم، KNN، جنگل تصادفی، بیز ساده گوسی و ماشین بردار پشتیبان( آموزش داده شدند. نتایج نشان داد که الگوریتم جنگل تصادفی (Random Forest) با دقت ۹۶٪ و توازن مناسب در معیارهای حساسیت، دقت مثبت پیش بینی و F۱-Score، بهترین عملکرد را در پیش بینی تایید یا رد درخواست کارت اعتباری داشته است. مقایسه مدل ها بیانگر برتری Random Forest در مدیریت داده های پرت و تعمیم پذیری بالای آن است. پژوهش حاضر کاربرد الگوریتم های یادگیری ماشین را در بهبود فرایندهای تصمیم گیری بانکی تایید می کند و پیشنهاداتی برای بهبود مدل ها و داده های آتی ارائه می دهد.

کلیدواژه ها:

یادگیری ماشین ، جنگل تصادفی ، پیش بینی اعتبارسنجی ، داده های کارت اعتباری ، تحلیل عملکرد مدل