CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بررسی تطبیقی پرکاربردترین الگوریتم های طبقه بندی در پیش بینی و اعتبار سنجی مشتری

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۱۰۳ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: AMSCONF05_786
زبان مقاله: فارسی
حجم فایل: ۴۲۸.۳۷ کیلوبایت (فایل این مقاله در ۱۴ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۴ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۴ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی تطبیقی پرکاربردترین الگوریتم های طبقه بندی در پیش بینی و اعتبار سنجی مشتری

    محمود گل پرور - دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات- تجارت الکترونیکی، موسسه آموزش عالی پویش، قم، ایران
  سیدجلال الدین موسوی راد - دکترای کامپیوتر- هوش مصنوعی، دانشگاه کاشان، ایران

چکیده مقاله:

گسترش روز افزون تعداد بانکها و فراوانی شعب آنها در وسعت جغرافیایی کم باعث شده بانک ها تلاش کنند با ارایهتسهیلات بانکی بیشتر، بهتر و ساده تر به سرمایه گذاران و گاها مشارکت در کسب و کار با آنها به افزایش و جذبمشتری برای سودآوری و حفظ حیات خود مباردت کنند. بنابراین بانک ها بعنوان اولین قدم نیاز به اعتبار سنجیمشتری برای اطمینان از اعتبار مشتری برای تضمین بازگشت سرمایه بانک و سودآوری دارند. امروزه تکنیک هایداده کاوی همچون دیگر حوزه های اطلاعاتی به یاری بانک ها آمده تا علاوه بر افزایش سرعت اعتبار سنجی مشتری،رفع تبعیض، رانت خواری و دقت عمل را برای بانک ها به ارمغان آورد. این مقاله با معرفی الگوریتم های درخت تصمیم،رگرسیون لجستیک و شبکه عصبی پرسپترون بعنوان سه الگوریتم پرکاربرد در علم داده کاوی به آموزش، بررسی ومقایسه تطبیقی عملکرد آنها در اعتبار سنجی و شناسایی مشتریان خوش حساب و بدحساب با استفاده از یکمجموعه داده واقعی آلمانی پرداخته است. نتایج این بررسی عملکرد بهتر درخت تصمیم را گزارش کرده است. اینتحقیق همچنین علاوه بر گزارش نقاط قوت و ضعف هر یک از الگوریتم ها در پارامترهای دقت کلی، دقت در شناساییمشتریان بدحساب، دقت در شناسایی مشتریان خوش حساب و دقت عمل در بازخوانی، به معرفی راهکارهایی برایمطالعات آتی پرداخته است.

کلیدواژه‌ها:

پیش بینی، اعتبار سنجی، الگوریتم های طبقه بندی، داده کاوی، یادگیری ماشین، مقایسه

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-AMSCONF05-AMSCONF05_786.html
کد COI مقاله: AMSCONF05_786

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
گل پرور, محمود و سیدجلال الدین موسوی راد، ۱۳۹۷، بررسی تطبیقی پرکاربردترین الگوریتم های طبقه بندی در پیش بینی و اعتبار سنجی مشتری، پنجمین کنفرانس ملی پژوهشهای کاربردی در مدیریت و حسابداری، تهران، انجمن مدیریت ایران، https://www.civilica.com/Paper-AMSCONF05-AMSCONF05_786.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (گل پرور, محمود و سیدجلال الدین موسوی راد، ۱۳۹۷)
برای بار دوم به بعد: (گل پرور و موسوی راد، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۱۱۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.