رضا مرتضی پور - دانشجوی کارشناسی ارشد، گروه ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران
مهدی افضلی - دکترای مدیریت اطلاعات، گروه ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران

امروزه با توجه به رشد روزافزون تقاضا برای دریافت اعتبار از سوی مشتریان موسسات مالی و اعتباری و بانک ها، استفاده از روشی کارآمد و موثر جهت پایین آوردن ریسک عدم باز پرداخت اعتبار داده شده بسیار ضروری به نظر می رسد. ارزیابی اعتبار مشتریان یکی از مهمترین و اساسی ترین وظایف موسسات و بانک ها می باشد و در صورتی که در این زمینه اشتباهی رخ دهد ممکن است به زیان های هنگفتی برای موسسات یا بانک ها منجر شود، از اینرو استفاده از سیستم های پیش بینی کامپیوتری در یک دهه ی اخیر پیشرفت چشم گیری کرده است. اطلاعاتی که این سیستم ها به مدیران موسسات اعتبار دهنده می دهند کمک شایانی در جهت اخذ تصمیم درست برای اعطای اعتبار یا عدم اعطای آن می دهد. در این مقاله به ارزیابی اعتبار مشتری از طریق یک دسته بند ترکیبی که از شبکه های عصبی مصنوعی، الگوریتم ژنتیک و احتمالات بیزین بطور همزمان استفاده می کند می پردازیم و نتایج بدست آمده از سه روش بالا را بنحوی برای بدست آوردن نتیجه مناسب و نهایی استفاده می کنیم برای ارزیابی روش از تست صحت k_FLDS استفاده می کنیم و در پایان روش ارایه شده را با کارهای انجام شده از جمله support vector (CLC) clustering-launched classification (SVM) machine و همچنین GA-SVM که در آن از الگوریتم ژنتیک برای بهبود استفاده شده مقایسه می کنیم.

طبقه بندی داده، دسته بند ترکیبی، شبکه های عصبی مصنوعی، الگوریتم ژنتیک، احتمالات بیزین