بررسی تطبیقی پرکاربردترین الگوریتم های طبقه بندی در پیش بینی و اعتبار سنجی مشتری

گسترش روز افزون تعداد بانکها و فراوانی شعب آنها در وسعت جغرافیایی کم باعث شده بانک ها تلاش کنند با ارایهتسهیلات بانکی بیشتر، بهتر و ساده تر به سرمایه گذاران و گاها مشارکت در کسب و کار با آنها به افزایش و جذبمشتری برای سودآوری و حفظ حیات خود مباردت کنند. بنابراین بانک ها بعنوان اولین قدم نیاز به اعتبار سنجیمشتری برای اطمینان از اعتبار مشتری برای تضمین بازگشت سرمایه بانک و سودآوری دارند. امروزه تکنیک هایداده کاوی همچون دیگر حوزه های اطلاعاتی به یاری بانک ها آمده تا علاوه بر افزایش سرعت اعتبار سنجی مشتری،رفع تبعیض، رانت خواری و دقت عمل را برای بانک ها به ارمغان آورد. این مقاله با معرفی الگوریتم های درخت تصمیم،رگرسیون لجستیک و شبکه عصبی پرسپترون بعنوان سه الگوریتم پرکاربرد در علم داده کاوی به آموزش، بررسی ومقایسه تطبیقی عملکرد آنها در اعتبار سنجی و شناسایی مشتریان خوش حساب و بدحساب با استفاده از یکمجموعه داده واقعی آلمانی پرداخته است. نتایج این بررسی عملکرد بهتر درخت تصمیم را گزارش کرده است. اینتحقیق همچنین علاوه بر گزارش نقاط قوت و ضعف هر یک از الگوریتم ها در پارامترهای دقت کلی، دقت در شناساییمشتریان بدحساب، دقت در شناسایی مشتریان خوش حساب و دقت عمل در بازخوانی، به معرفی راهکارهایی برایمطالعات آتی پرداخته است.

Keywords:

پیش بینی , اعتبار سنجی , الگوریتم های طبقه بندی , داده کاوی , یادگیری ماشین , مقایسه