مجید عباسی - دانشگاه آزاد اسلامی واحد آیت الله آملی گروه کامپیوترآمل ایران
سیدجواد میرعابدینی - دانشگاه آزاد اسلامی واحد تهران مرکز گروه کامپیوترتهران ایران

این تحقیق الگوریتم ژنتیک را برای اموزش شبکه عصبی پرسپترون چندلایه به منظور بهبود قدرت پیش بینی مدل های نمره دهی اعتباری ارایه میدهد تعدادنرونها درلایه میانی شکبه پرسپترون تاثیر زیادی برروی عملکرد این شبکه ها دارد ازاین رو جهت بدست اوردن تعدادنرونهای بهینه شبکه عصبی به ازای تعدادنرونهای متفاوت درلایه میانی خود مورداجرا و اموزش قرارگرفت و تعدادنرونهای بهینه براساس کمترین میزان میانگین مربعات خطا انتخاب شدند یکی ازمعیارهای مهم درسیستم های اعتبارسنجی میزان خطای نوع دوم میب اشد بدین منظور بااستفاده ازمنحنی مشخصه عملکرد سیستم بهترین نمره ی برش را جهت تفکیک مشتریان خوب و بدو درنتیجه کاهش خطای نوع دوم بدست آوردیم ازماشین بردارپشتیبانی و درخت تصمیم به عنوان سایرتکنیک های دسته بندی جهت مقایسه و ارزیابی مدل ارایه شده استفاده شد نتایج نشان داد مدل شبکه عصبی برسایرتکنیک ها برتری داشته و رویکرد ژنتیک برای اموزش مدلهای شبکه عصبی ازعملکرد بهتری نسبت به روشهای پس انتشاربرخوردار است

سیستم های اعتبارسنجی ، داده کاوی ، شبکه عصبی مصنوعی ، الگوریتم ژنتیک