ارائه الگوریتم جدید برای کاهش خطای شبکه های عصبی مصنوعی در مدل های امتیازدهی اعتباری مشتریان بانک

امروزه رتبه بندی اعتباری مشتریان و امتیازدهی به اعتبار آنها به عنوان یکی از موضوعات اساسی مخصوصا برای بانک ها ، شرکت های بیمه ، موسسات مالی و اعتباری مطرح می باشد و در این حوزه ، مطالعات بسیاری به منظور ساختن مدل های امتیازدهی اعتباریاز طریق هوش مصنوعی و شبکه های عصبی مصنوعی صورت گرفته است. اما همان طور که می دانیم این روش ها صد در صد قابلاطمینان نیستند و دارای خطا در محاسبات خود می باشند. از آنجایکه کاهش نرخ خطا به منظور دست یابی به بهترین نتیجه ممکن و ساخت بهترین مدل از اهمیت بالایی برخوردار می باشد ، الگوریتمی جدید برای کاهش خطای شبکه های عصبی مصنوعی در اینتحقیق پیشنهاد می گردد. در داده های مورد استفاده ما ، مشتریان به دو دسته خوش حساب و بد حساب تقسیم شده اند و که ما درابتدا به شناسایی متغیر های تاثیر گذار بر رفتار اعتباری آنها پرداخته ایم . سپس داده های متناظر به دو مجموعه آموزشی و تست مورد آزمون قرار گرفتند و در نهایت مدل های شبکه عصبی ساخته شده تحت دو روش جدید با نام هایSimple VotingوWeighted Votingبرای ساخت بهترین مدل امتیازدهی اعتباری به کار گرفته شده اند. با استفاده از این الگوریتم های جدید معرفی شده ، خروجی های حاصل از شبکه های عصبی در چهار گروه مختلف تقسیم بندی می شوند و بر اساس نتایج بدست آمده ، این الگوریتم ها ، قابلیت کاهش دادن خطای حاصل از بهترین مدل ساخته شده از شبکه عصبی را به میزان 1.03 درصد دارا می باشد

کلیدواژه ها:

رتبه بندی اعتباری ، هوش مصنوعی ، شبکه های عصبی مصنوعی ، نرخ خطا ، .Weighted ، Simple Voting Voting