ارائه الگوريتم جديد براي كاهش خطاي شبكه هاي عصبي مصنوعي در مدل هاي امتيازدهي اعتباري مشتريان بانك

امروزه رتبه بندي اعتباري مشتریان و امتیازدهی به اعتبار آنها به عنوان یكی از موضوعات اساسی مخصوصا براي بانك ها ، شركت هاي بیمه ، موسسات مالی و اعتباري مطرح می باشد و در این حوزه ، مطالعات بسیاري به منظور ساختن مدل هاي امتیازدهی اعتباري از طریق هوش مصنوعی و شبكه هاي عصبی مصنوعی صورت گرفته است. اما همان طور كه می دانیم این روش ها صد در صد قابل اطمینان نیستند و داراي خطا در محاسبات خود می باشند. از آنجایكه كاهش نرخ خطا به منظور دست یابی به بهترین نتیجه ممكن و ساخت بهترین مدل از اهمیت بالایی برخوردار می باشد ، الگوریتمی جدید براي كاهش خطاي شبكه هاي عصبی مصنوعی در این تحقیق پیشنهاد می گردد. در داده هاي مورد استفاده ما ، مشتریان به دو دسته خوش حساب و بد حساب تقسیم شده اند و كه ما در ابتدا به شناسایی متغیر هاي تاثیر گذار بر رفتار اعتباري آنها پرداخته ایم . سپس داده هاي متناظر به دو مجموعه آموزشی و تست و Simple Voting مورد آزمون قرار گرفتند و در نهایت مدل هاي شبكه عصبی ساخته شده تحت دو روش جدید با نام هاي براي ساخت بهترین مدل امتیازدهی اعتباري به كار گرفته شده اند. با استفاده از این الگوریتم هاي جدید معرفی Weighted Voting شده ، خروجی هاي حاصل از شبكه هاي عصبی در چهار گروه مختلف تقسیم بندي می شوند و بر اساس نتایج بدست آمده ، این الگوریتم ها ، قابلیت كاهش دادن خطاي حاصل از بهترین مدل ساخته شده از شبكه عصبی را به میزان 1.03 درصد دارا می باشد