این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۱۰، شماره ۲، صفحات ۰-۰
عنوان فارسی رتبه‌بندی اعتباری مشتریان بانک به کمک روش جدید گروهی بر پایه‌ ماشین بردار پشتیبان: مطالعه موردی بانک پاسارگاد
چکیده فارسی مقاله در سال‌های اخیر موضوع رتبه‌بندی اعتباری و شناسایی مشتریان خوش‌حساب و بدحساب، بسیار مورد توجه بانک‌ها قرار گرفته است. اعطای تسهیلات به مشتریان خوش‌حساب و اجتناب از اعطای تسهیلات به مشتریان بدحساب که منجر به کاهش معوقات بانکی می‌شود، همواره یکی از دغدغه‌های مهم مدیران بانک‌ها است که این مهم به کمک استقرار نظام رتبه‌بندی اعتباری کارآمد و خوب دور از دسترس نیست. در این مقاله، مدل گروهی جدیدی بر مبنای الگوریتم ماشین بردار پشتیبان برای رتبه‌بندی اعتباری مشتریان بانک ارائه می‌شود. ابتدا به روش بوت‌استرپ، مجموعه داده‌ها به چندین زیرمجموعه تقسیم می‌شود. سپس الگوریتم ماشین بردار پشتیبان بر روی هر زیرمجموعه اعمال و چندین مدل‌ تشکیل می‌شود. در انتها بین مدل‌ها رای‌گیری انجام و مدل نهایی به دست می‌آید. به منظور نمایش دقت مدل گروهی، داده‌های 2218 مشتری بانک پاسارگاد شامل 14 ویژگی توضیح‌دهنده به کمک روش گروهی پیشنهادی مورد ارزیابی قرار گرفتند. بر اساس معیارهای مختلف، نتایج بدست آمده بر روی داده‌های بانک پاسارگاد، برتری روش ماشین بردار پشتیبان گروهی بر روش معمولی ماشین بردار پشتیبان و روش جنگل تصادفی تایید می‌شود. خطای نوع دوم یعنی خطای شناسایی مشتریان بدحساب به عنوان خوش‌حساب در روش گروهی پیشنهادی با هسته خطی 17 درصد کمتر از روش معمولی ماشین بردار پشتیبان و 18 درصد کمتر از روش جنگل تصادفی است.
کلیدواژه‌های فارسی مقاله رتبه بندی اعتباری، مشتریان بانک، ماشین بردار پشتیبان، روش گروهی، بوت استرپ،
عنوان انگلیسی Credit rating of bank customers using a new ensemble method based on support vector machine (Case study of Pasargad bank)
چکیده انگلیسی مقاله In recent years, the issue of credit rating and identification of good and bad customers have received a lot of attention from banks. Granting facilities to well-accounted customers and avoiding granting facilities to badly accounted customers, which leads to reducing bank arrears, are always the major concerns of bank managers, which are not out of reach with the help of an efficient and good credit rating system. This paper presents a new ensemble model based on support vector machine algorithm for the credit rating of bank customers. First, the data set is divided into several subsets by a bootstrap approach. The support vector machine algorithm is then applied to each subset and several models are formed. At the end, voting is done between the models, and the final model is obtained. In order to show the accuracy of the ensemble model, the credit data of Pasargad Bank’s costumers including 2218 instances of credit applicants, each instance contains 14 explanatory attribute, are evaluated using the proposed method. Based on different criteria, the results obtained on the data of the Pasargad Bank’s costumers confirm the superiority of the ensemble support vector machine method over the usual support vector machine method and the random forest method. The type II error (indicates the proportion of bad applicants who are wrongly predicted to be good applicants) of the proposed ensemble method with linear core is 17% less than the usual support vector machine method and 15% less than the random forest method.
کلیدواژه‌های انگلیسی مقاله رتبه بندی اعتباری, مشتریان بانک, ماشین بردار پشتیبان, روش گروهی, بوت استرپ
نویسندگان مقاله مجید ابتیاع |
دانشکده علوم پایه، دانشگاه آیت الله العظمی بروجردی، بروجرد، ایران

سیدمحمد حسینی |
دانشکده علوم پایه، دانشگاه آیت الله العظمی بروجردی، بروجرد، ایران

رامین خوچیانی |
دانشکده علوم انسانی، دانشگاه آیت الله العظمی بروجردی، بروجرد، ایران

نشانی اینترنتی https://scj.kashanu.ac.ir/article_111968_0aa073f8b4ac730bbfda52fd05d49989.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات