دسته بندی مشتریان حقیقی بانکی با استفاده از شبکه عصبی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 569
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RSTCONF02_133
تاریخ نمایه سازی: 21 شهریور 1395
چکیده مقاله:
اصلیترین و مهمترین کاربرد مدلهای شبکههای عصبی مصنوعی در اقتصاد، پیشبینی متغیرهای اقتصادی است. این شبکهها برای مدلسازی و پیشبینی، از یک مجموعه رگرسورها)متغیرهای ورودی( استفاده میکنند. منظور از مدلسازی، مشخصکردن مدل 1، تخمین پارامترها و در نهایت، ارزیابی مدل برآورد شده است. محققین پژوهش بابررسی 300 پرونده از مشتریان حقیقی بانک مهر اقتصاد استان زنجان از 13 شعبه مورد بررسی و مطالعه 31 متغیر موثر در سنجش ریسک اعتباری خواهاندستهبندی متغیرهای موثر در سنجش ریسک بودهاند. در اینجا محققین پژوهش برای بررسی دادها از شبکه feed forwardبا تابع انتقال tan-sigmoid در لایه مخفی و تابع انتقال خطی در لایه خروجی استفاده شده است. این نوع شبکههای عصبی در ارتباط با کاربرد تخمین توابع )رگرسیون( از کارایی مناسبی برخوردار هستند. در این فرایند از الگوریتم levenberg-marquardt به عنوان تابع آموزش شبکه بهره گرفته و بردارهای ورودی به صورت تصادفی توسط شبکه و به صورت 70 .درصد دادهها در مجموعه آموزشی، 15 .درصد دادهها در مجموعه ارزیابی در راستای بیش برازش شبکه و 15 .درصد دادهها در راستای بررسی تست کارایی شبکه نهایی استفاده گردیده است. نتایج حاصل تخمین 600 شبکه عصبی نشان میدهدمتغیرهای میزان وام دریافتی از سایر بانک ها، گردش حساب در سایر بانک ها، میزان بدهی به سایر بانک ها، میزان وام درخواستی، میزان کل بدهی فرد، تعداد دفعات دریافت وام و هزینههای فرد همبستگی بالایی باهم دارند و از عوامل موثر در دستهبندی مشتریان میباشند.
کلیدواژه ها:
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :