تعیین میزان دقت دسته بندی کننده ماشین بردار پشتیبان در ارزیابی اعتباری بانکی
Publish place: The Second National Conference on Computer Electrical Engineering and Information Technology
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,150
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEIC02_106
تاریخ نمایه سازی: 4 آذر 1387
Abstract:
در سیستم بانکداری سنتی مدیران اعتباری اغلب میزان اعتبار مشتریان را با توجه به تجربه خود می سنجند ، اما در دنیای امروز که همه و بخصوص سیستم بانکداری با محدودیت زمانی و تعدد فزاینده مشتریان دست به گریبانند شاید دیگر مجالی برای چنین تصمیم گیریهای سنتی وجود نداشته باشد. برای فائق آمدن به این مشکل می توان از تکنیک های دسته بندی خودکار مانند شبکه های عصبی و ماشین بردار پشتیبان استفاده نمود. اما آنچه که در این میان مهم است بکارگیری روشهای مناسب برای کاربردهای ویژه می باشد. از اینرو تعیین میزان دقت یک دسته بندی کننده امری لازم و مهم است که در این مقاله بدان خواهیم پرداخت . دسته بندی کننده ماشین بردار پشتیبان (SVM) اخیرا زمینه تحقیقاتی مناسبی را فراهم آورده و در زمینه های مختلف که مسئله دسته بندی مطرح است، مورد استفاده قرار می گیرد استفاده کرده ایم و با K-Fold Cross Validation به بررسی میزان دقت آن مبادرت نموده ایم. با اینحال در عمل از روش های مختلفی برای در پیاده سازی ماشین بردار پشتیبان استفاده می شود. مثلا می توان از جستجوی گرید و یا F-Score بدین منظور استفاده نمود. دو مجموعه داده اعتباری از پایگاه داده UCI در آزمایشات مورد استفاده قرار داده شده است تا از طریق آنها میزان دقت دسته بندی کننده ها را مورد ارزیابی قرار داد. دسته بندی کننده ماشین بردار پشتیبان در مقایسه با شبکه های عصبی، برنامه نویسی ژنتیکی و دسته بندی کننده درخت تصمیم، قادر است تا با وجود در اختیار داشتن ویژگیهای کمتر در ورودی ، به نتایج مشابهی دست یابد. با تعیین میزان دقت نتایج بدست آمده می توان به این نتیجه رسید که ماشین بردار پشتیبان یک روش جدید و قابل اطمینان در میان دیگر روش های داده کاوی است.
Keywords:
Authors
محمد فریدون کیانی
دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی ، دانشگاه آزا
رامین میرعرب شاهی
دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی ،دانشگاه آزا
ابراهیم حسین خانی
کارشناس کامپیوتر گرایش نرم افزار ، دانشگاه بیرجند
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :