دسته بندی مشتریان حقیقی بانکی با استفاده از شبکه عصبی

چکیده مقاله

اصليترين و مهمترين كاربرد مدلهاي شبكههاي عصبي مصنوعي در اقتصاد، پيشبيني متغيرهاي اقتصادي است. اين شبكهها
براي مدلسازي و پيشبيني، از يك مجموعه رگرسورها)متغيرهاي ورودي( استفاده ميكنند. منظور از مدلسازي، مشخص
كردن مدل 1، تخمين پارامترها و در نهايت، ارزيابي مدل برآورد شده است. محققين پژوهش بابررسي 300 پرونده از مشتريان
حقيقي بانك مهر اقتصاد استان زنجان از 13 شعبه مورد بررسي و مطالعه 31 متغير موثر در سنجش ريسك اعتباري خواهان
دستهبندي متغيرهاي موثر در سنجش ريسك بودهاند. در اينجا محققين پژوهش براي بررسي دادها از شبكه feed forward
با تابع انتقال tan-sigmoid در لايه مخفي و تابع انتقال خطي در لايه خروجي استفاده شده است. اين نوع شبكههاي عصبي
در ارتباط با كاربرد تخمين توابع )رگرسيون( از كارايي مناسبي برخوردار هستند. در اين فرايند از الگوريتم levenberg-marquardt به عنوان تابع آموزش شبكه بهره گرفته و بردارهاي ورودي به صورت تصادفي توسط شبكه و به صورت 70 .
درصد دادهها در مجموعه آموزشي، 15 .درصد دادهها در مجموعه ارزيابي در راستاي بيش برازش شبكه و 15 .درصد دادهها در
راستاي بررسي تست كارايي شبكه نهايي استفاده گرديده است. نتايج حاصل تخمين 600 شبكه عصبي نشان ميدهد
متغيرهاي ميزان وام دريافتي از ساير بانك ها، گردش حساب در ساير بانك ها، ميزان بدهي به ساير بانك ها، ميزان وام
درخواستي، ميزان كل بدهي فرد، تعداد دفعات دريافت وام و هزينههاي فرد همبستگي بالايي باهم دارند و از عوامل موثر در
دستهبندي مشتريان ميباشند.

دریافت لینک دانلود مقاله