شناسایی و طبقه بندی مشتریان بانکی با استفاده از یک مدل ترکیبی الگوریتم ژنتیک و ماشین بردار پشتیبان

در قلب تحول دیجیتال صنعت بانکداری، نیاز به سیستم های اعتبارسنجی دقیق و خودکار بیش از هر زمان دیگری احساس می شود. این پژوهش، یک چارچوب نوآورانه و قدرتمند را معرفی می کند که در آن، هوش الگوریتم های تکاملی برای تقویت یکی از robust ترین مدل های یادگیری ماشین به کار گرفته شده است. ما در این مطالعه، الگوریتم فراابتکاری ژنتیک (GA) را با ماشین بردار پشتیبان (SVM) تلفیق کرده ایم تا نه تنها پارامترهای حیاتی مدل را بهینه سازی کنیم، بلکه موثرترین ویژگی های مالی مشتریان را نیز به صورت هوشمندانه استخراج نماییم. هدف نهایی، حرکت فراتر از روش های سنتی و ساختن سیستمی است که قادر به پیش بینی ریسک اعتباری با دقتی بی سابقه باشد. ارزیابی های ما بر روی یک مجموعه داده واقعی و غنی از مشتریان یک بانک ایرانی، گواه موفقیت این رویکرد است: مدل ترکیبی پیشنهادی (GA-SVM) توانست دقت کلی (Accuracy) را در مقایسه با مدل پایه، ۴۱٪ بهبود بخشد و آن را از ۱۸.۳۳٪ به ۲۵.۸۳٪ برساند. همچنین، امتیاز F۱ که معیار قابل اتکاتری در داده های نامتوازن است، جهشی قابل توجه از ۸.۴۲٪ به ۱۷.۹۶٪ را تجربه کرد. یکی از یافته های کلیدی این تحقیق، شناسایی بی چون وچرای «سابقه چک های برگشتی» به عنوان تعیین کننده ترین شاخص اعتباری بود. این مقاله نه تنها یک مدل فنی کارآمد ارائه می دهد، بلکه دریچه ای به سوی آینده ای می گشاید که در آن تصمیم گیری های مالی، عمیقا هوشمند، داده محور و قابل اطمینان هستند.

کلیدواژه ها:

یادگیری ماشین ، اعتبارسنجی بانکی ، ماشین بردار پشتیبان (SVM) ، الگوریتم ژنتیک (GA) ، بهینه سازی پارامتر ، طبقه بندی مشتریان