Skip to main content
SUPERVISOR
Pejman Khadivi,Mohammad hossein Saraee
پژمان خدیوی (استاد راهنما) محمدحسین سرایی (استاد راهنما)
 
STUDENT
Ali Shalbafzadeh
علی شالباف زاده

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1387

TITLE

A Hybrid Data Mining Approach to Credit Scoring with Application to the Bank Customers
Improvements in data usage and data collection with help of computer and also use of web and internet as word wide information system make data mining as a good tool in order to help solve problems. In the last years credit scoring has been changed to a critical job for bank and insurance organization. In fact, wrong management in credit assignment area makes a great loss to financial institution and even bankruptcy in the U.S.A. and Europe and even makes them close to bankruptcy. Credit scoring focused on decrease the risk of credit allocation. This task has been done with correct prediction of customers' behavior. In fact credit scoring problem can be defined as justify; LINE-HEIGHT: 17pt; MARGIN: 0cm 0cm 10pt; mso-line-height-rule: exactly" Keywords Credit scoring, KMeans, Genetic, Naïve Bayes, Bank, Roughset
پیشرفت در بکارگیری و جمع‌آوری داده با به خدمت گرفتن کامپیوتر و همچنین استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع‌رسانی جهانی، داده‌کاوی را به‌عنوان یک ابزار مفید جهت کمک به حل مسائل پیچیده مطرح ساخته است. در سال‌های اخیر اعتبارسنجی بهکاری مهم برای موسسات مالی همچون بانک‌ها و شرکت‌های بیمه تبدیل شده است. در حقیقت مدیریت نامناسب در زمینه تخصیص اعتبار، زیان‌های زیادی را به موسسات مالی مخصوصاً در ایالات متحده آمریکا و اروپا تحمیل کرده است و حتی برخی از آنها را تا حد ورشکستگی سوق داده است. اعتبارسنجی به کاهش مخاطرات حاصل از اعطای اعتبار می‌پردازد. این کار با پیش‌بینی صحیح رفتار مشتریان صورت می‌گیرد. در واقع، مساله اعتبارسنجی به‌صورت یک مساله دسته‌بندی قابل طرح است که هدف آن استخراج مدل کارا و مناسبی است که مشتریان را بر اساس ویژگی‌هایشان در دو دسته خوب و بد دسته‌بندی نماید. در گذشته، به منظور ایجاد مدل‌های اعتبارسنجی، از روش‌های کلاسیک داده‌کاوی نظیر رگرسیون خطی و تجزیه و تحلیل ممیزی خطی استفاده می‌شده است. اما اخیراً ابزارهای هوش مصنوعی و یادگیری ماشین، مورد توجه و استقبال محققین اعتبارسنجی قرار گرفته‌اند؛ به‌طوری که مدل‌های مختلف مجرد، ترکیبی و هیبریدی برای این مساله ارائه شده است تا مدلی با کارایی و عملکرد بالا ارائه گردد. تلاش برای افزایش عملکرد و کارایی مدل‌های اعتبارسنجی هنوز ادامه دارد. هدف این پایان‌نامه توسعه مدلی یکپارچه با دقت و کارایی بالا برای اعتبارسنجی است. برای دستیابی به این مدل، از الگوریتم تئوری سخت برای کاهش مشخصه‌ها و از دو ابزار ژنتیک و نیوبیز به‌تنهایی و به‌صورت ترکیببی برای دسته‌بندی استفاده شده است. همچنین، برای گسسته‌سازی، روش‌های خطی و K-means مورد توجه قرار گرفته‌اند. با توجه به وجود دو روش برای گسسته‌سازی و دو حالت استفاده یا عدم استفاده از تئوری سخت و چهار مدل دسته‌بندی، 16 مدل ایجاد می‌گردد که همه مدل‌ها بر روی سه مجموعه داده معروف استرالیا، آلمان، ژاپن و ایران پیاده‌سازی شده‌اند. نتایج در حالت کلی هم نشان داد که دقت بهترین مدل‌توسعه‌یافته برای هر مجموعه داده از مدل‌های ارائه شده تاکنون بالاتر می‌باشد. در انتها این پایان‌نامه با نتیجه‌گیری و پیشنهاداتی برای تحقیقاتی آتی پایان یافته است. کلید واژه: بانک، ارزیابی ، الگوریتم ژنتیک، شبکه بیز، کارت اعتباری

ارتقاء امنیت وب با وف بومی