همايش ملی پيشرفت های معماری سازمانی

صفحه اصلی / هشتمین همايش ملی پيشرفت های معماری سازمانی

مقایسه الگوریتم‌های یادگیری ماشین و یادگیری عمیق برای دسته بندی مشتریان بانک

نویسندگان :

محسن خانجانی¹ پرستو محمدی² محمدعلی رستگار سرخه³

1- دانشگاه تربیت مدرس 2- دانشگاه تربیت مدرس 3- دانشگاه تربیت مدرس

کلمات کلیدی :

ریسک اعتباری،دسته بندی،یادگیری جمعی،یادگیری ماشین،یادگیری عمیق

چکیده :

رتبه بندی اعتباری شرکت‌ها و رتبه اعتباری هر یک از افراد از اهمیت بسیار زیادی برخوردار می‌باشد. به همین علت است که بسیاری از افراد حقیقی و حقوقی به دنبال حفظ و ارتقای رتبه بندی اعتباری یا رتبه اعتباری خود هستند. فاکتورها و ملاک های مهمی در این راستا در تعیین رتبه اعتباری افراد حقیقی و حقوقی تاثیرگذار است که وجود هر یک از آن‌ها می تواند رتبه اعتباری افراد حقیقی و حقوقی را دستخوش تغییراتی کند. در این تحقیق سعی شده با استفاده از مدل های یادگیری ماشین و یادگیری عمیق و همچنین ترکیب آن‌ها بایکدیگر، مدلی ارائه داد که به خوبی بتواند مشتریان خوش‌حساب و بدحساب بانک‌ها را از یکدیگر تشخیص دهد. برای این کار مدل‌های یادگیری ماشین، سه مدل ماشین بردار پشتیبان، درخت تصمیم و K نزدیکترین همسایه و از مدل های یادگیری عمیق دو مدل شبکه‌های عصبی پیچشی و شبکه های عصبی بازگشتی مورد بررسی قرار گرفتند. در ادامه این مدل ها با استفاده از روش استکینگ با یکدیگر ترکیب شدند. در ادامه این تحقیق همچنین به بررسی این موضوع پرداخته شده که آیا می‌توان با ترکیب مدل‌ها دقت مدل را افزایش داد یا خیر. داده‌هایی که برای انجام این تحقیق مورد استفاده قرار گرفته است مربوط به اشخاص حقوقی تسهیلات گیرنده یکی از بانک‌های ایرانی است که شامل 20 ویژگی از 3221 مشتری می‌باشد. در پایگاه داده مذکور، مشتریان بانک‌ به دو دسته خوش حساب و بد حساب تقسیم بندی شده‌اند. نتایج به دست آمده نشان می‌دهد که استفاده از روش ترکیب کردن مدل‌ها، باعث بهبود تصمیم‌گیری در زمینه اعتبارات می‌شود و به بانک‌ها و شرکت‌های مالی کمک می‌کند تا با استفاده از ترکیبی از مدل‌های مختلف، بهترین مدل‌های رتبه بندی را برای رتبه بندی اعتباری طراحی کنند و دقت بیشتری در تصمیم‌گیری‌هایشان داشته باشند. بالاترین دقت پیش بینی در این تحقیق مربوط به مدل استکینگ و پایین‌ترین دقت مربوط به مدل درخت تصمیم بود و به طور کلی مدل‌های یادگیری عمیق نسبت به مدل‌های یادگیری ماشین از دقت بالاتری برخوردار بودند