مجید تفاهمی - دانشجوی کارشناسی ارشد، دانشگاه بین المللی امام رضا (ع)
عادل قاضی خانی - عضو هیئت علمی دانشگاه بین المللی امام رضا (ع)، دانشکده فنی و مهندسی
علیرضا روحانی منش - عضو هیئت علمی دانشگاه نیشابور، دانشکده فنی و مهندسی

بانک ها و مؤسسات مالی و اعتباری با اعطای تسهیلاتی از قبیل وام و اعتبار به مشتریان خود، با ریسک هایی از جمله عدم پرداخت سر موعد مشتری و کاهش نقدینگی مواجه هستند. پیش بینی این ریسک ها قبل از اعطای تسهیلات برای بانک ها از اهمیت ویژه ای برخوردار است. از این رو نیاز به ارائه روش هایی جهت طبقه بندی مشتریان به منظور پیش بینی ریسک اعتباری آنها لازم و ضروری به نظر می رسد. لذا بایستی تلاش شود تا روش های طبقه بندی ارائه شود که نسبت به تغییر داده ها از مقاومت بالاتری برخوردار باشند. در این مقاله روش جدید طبقه بندی با استفاده از ترکیب طبقه بندها، که دارای دقت بالاتر و قابلیت اطمینان بیشتر برروی مجموعه داده های مشتریان بانک می باشند، ارائه شده است. طبقه بند پایه در روش پیشنهادی ماشین یادگیری حداکثر (Extreme Learning Machine) می باشد. طبقه بند پیشنهادی با رویکرد ترکیب به صورت موازی ارائه شده است. در این رویکرد افزایش دقت طبقه بندها با استفاده از پیش بینی سایر طبقه بندها مدنظر قرار داده شده است. طبقه بند پیشنهادی بر روی مجموعه داده هایی که از بانک های استرالیا و آلمان گردآوری شده اند مورد آزمایش قرار گرفتند که نتایج حاصل گویای کارا بودن روش پیشنهادی می باشد.

طبقه بندی ترکیبی، ریسک اعتباری، ریسک بانکی، اعتبارسنجی، مشتریان، داده کاوی، ماشین یادگیری حداکثر