ارائه الگوریتم جدید برای کاهش خطای شبکه عصبی مصنوعی در مدل های امتیازدهی اعتباری مشتریان بانک

امروزه رتبه بندی اعتباری مشتریان و امتیازدهی به اعتبار آنها به عنوان یکی از موضوعات اساسی مخصوصا برای بانک هاا شارک های بیمه موسسات مالی و اعتباری مطرح می باشد و در این حوزه مطالعات بسیاری به منظور ساختن مدل های امتیازدهی اعتباری از طریق هوش مصنوعی و شبکه های عصبی مصنوعی صورت گرفته اس . اما همان طور که می دانیم این روش ها صد در صد قابا اطمینان نیستند و دارای خطا در محاسبات خود می باشند. از آنجایکه کاهش نرخ خطا به منظور دس یابی به بهترین نتیجه ممکن و ساخ بهترین مدل از اهمی بالایی برخوردار می باشد الگوریتمی جدید برای کاهش خطای شبکه های عصابی مصانوعی در ایان تحقیق پیشنهاد می گردد. در داده های مورد استفاده ما مشتریان به دو دسته خوش حساب و بد حساب تقسیم شده اند و که ما در ابتدا به شناسایی متغیر های تاثیر گذار بر رفتار اعتباری آنها پرداخته ایم . سپس داده های متناظر به دو مجموعاه آموزشای و تسا مورد آزمون قرار گرفتند و در نهای مدل های شبکه عصبی سااخته شاده تحا دو روش جدیاد باا ناا هاای Simple Voting و Weighted Voting برای ساخ بهترین مدل امتیازدهی اعتباری به کار گرفته شده اند. با استفاده از این الگوریتم های جدید معرفای شده خروجی های حاص از شبکه های عصبی در چهار گروه مختلف تقسیم بندی می شوند و بر اساس نتایج بدسا آماده ایان الگوریتم ها قابلی کاهش دادن خطای حاص از بهترین مدل ساخته شده از شبکه عصبی را به میزان 1.03 درصد دارا می باشد .

رتبه بندی اعتباری هوش مصنوعی شبکه هاای عصابی مصانوعی نارخ خطاا Simple Voting .Weighted Voting