ارائه مدلی بر پایه یادگیری ماشین و هوش تجمعی در راستای ارتقاء شاخص های تصمیم گیری مشتریان بانکی

با توجه به اینکه گستردگی اطلاعات مشتریان بانکی، الگوریتم های کلاسیک تصمیم گیری را دچار چالش کرده است، لذا الگوریتم های هوش مصنوعی و داده کاوی می توانند به کمک این عرصه بیایند. در این مقاله مدلی بر پایه یادگیری ماشین و هوش تجمعی در راستای ارتقاء شاخص های تصمیم گیری مشتریان بانکی ارائه شده است. روش پیشنهادی از ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات (PSO) ایجاد شده است. با توجه به حجم داده های موجود شبکه عصبی به کار رفته به تنهایی به همگرایی مناسبی نرسیده و دچار واگرایی یا Overfit شده است. در این مقاله از الگوریتم PSO برای بهینه سازی وزن های آن استفاده شده است. سپس از شبکه بهینه شده و شبکه ای که الگوریتم ازدحام ذرات روی آن اعمال نشده است در راستای تصمیم گیری بین مشتریان خوش حساب و بد حساب بهره گرفته شد. سپس در راستای ارزیابی کارایی روش پیشنهادی، پارامترهای دقت، حساسیت و ویژگی برای هر دو حالت شبکه عصبی استخراج و مقایسه شد. نتایج حاصل از پیاده سازی ها نشان داد، دقت شبکه عصبی بهینه شده در حدود ۹۷ درصد و دقت شبکه عصبی بدون بهینه سازی در حدود ۹۴ درصد حاصل شده است، که نشانگر عملکرد بهتر روش پیشنهادی است. همچنین روش پیشنهادی در پارامترهای حساسیت و ویژگی نیز نسبت به حالت پایه عملکرد بهتری از خود نشان داده است. مزیت دیگر روش پیشنهادی، جلوگیری از overfit شدن شبکه عصبی نسبت به حالت عادی می باشد.

Keywords:

شاخص های تصمیم گیری , مشتریان بانک , شبکه عصبی , الگوریتم PSO , یادگیری ماشین , داده کاوی