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

امروزه رتبه بندی اعتباری مشتریان و امتیازدهی به اعتبار آنها به عنوان یکی از موضوعات اساسی مخصوصا برای بانک ها ، شرکت 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 است. اما همان طور که می دانیم این روش ها صد در صد قابل اطمینان نیستند و دارای خطا در محاسبات خود می باشند. از آنجایکه کاهش نرخ خطا به منظور دست یابی به بهترین نتیجه ممکن و ساخت بهترین مدل از اهمیت بالایی برخوردار می باشد ، الگوریتمی جدید برای کاهش خطای شبکه های عصبی مصنوعی در این 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 مجموعه آموزشی و تست مورد آزمون قرار گرفتند و در نهایت مدل های شبکه عصبی ساخته شده تحت دو روش جدید با نام های Simple Voting و Weighted Voting برای ساخت بهترین مدل امتیازدهی اعتباری به کار گرفته شده اند. با استفاده از این الگوریتم های جدید معرفی شده ، خروجی های حاصل از شبکه های عصبی در چهار گروه مختلف تقسیم بندی می شوند و بر اساس نتایج بدست آمده ، این الگوریتم ها ، قابلیت کاهش دادن خطای حاصل از بهترین مدل ساخته شده از شبکه عصبی را به میزان 1.03 درصد دارا می باشد .