محمدعلی رستگار - استادیار دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران،
زهرا صفری - فارغ التحصیل رشته کارشناسی ارشد مهندسی مالی، دانشگاه تربیت مدرس، تهران، ایران

با توجه به اهمیت ریسک اعتباری بانک ها، مطالعات فراوانی جهت ارائه مدلی کارا به منظور طبقه بندی متقاضیان تسهیلات انجام شده است . معمولا تعداد ویژگی های مرتبط با مشتریان زیاد می باشد و تکنیک های انتخاب ویژگی با حذف ویژگی های نامربوط در بهبود عملکرد مدل تاثیر می گذارند. در مقاله حاضر روشهای انتخاب ویژگی ترکیبی با استفاده از الگوریتم ژنتیک و گروهی uEFS بر مجموعه داده مربوط به مشتریان حقوقی یک بانک ایرانی و مجموعه داده آلمانی اجرا شده است . نتایج حاصل نشان می دهد در مجموعه داده ایرانی ، هر دو روش انتخاب ویژگی گروهی و ترکیبی منجر به بهبود عملکرد اغلب معیارهای ارزیابی در طبقه بندها شده است . در مجموعه داده آلمانی نیز، الگوریتم های انتخاب ویژگی گروهی و ترکیبی توانسته اند ضمن کاهش تعداد ویژگی های مورد استفاده، عملکرد جنگل تصادفی را بهبود دهند. در هر دو مجموعه داده، روش ترکیبی عملکرد بهتری داشته است و هنگامی که تعداد ویژگی ها زیاد باشد، تکنیک های انتخاب ویژگی عملکرد بهتری دارند.

ریسک اعتباری ؛ طبقه بندی اعتباری ؛ انتخاب ویژگی ؛ انتخاب ویژگی گروهی ؛ انتخاب ویژگی ترکیبی .