پیش بینی ریسک اعتباری مشتریان بانک با استفاده از چند ترکیب طبقه بند مبتنی بر طبقه بند ماشین یادگیری حداکثر

پایان نامه
چکیده

بانک ها و موسسات مالی و اعتباری با اعطای تسهیلاتی از قبیل وام و اعتبار به مشتریان خود، با ریسک هایی از جمله عدم پرداخت سر موعد مشتری و کاهش نقدینگی مواجه هستند. پیش بینی این ریسک ها قبل از اعطای تسهیلات برای بانک ها از اهمیت ویژه ای برخوردار است. از این رو نیاز به ارائه روش هایی جهت طبقه بندی مشتریان به منظور پیش بینی ریسک اعتباری آنها لازم و ضروری به نظر می رسد. لذا بایستی تلاش شود تا روش های طبقه بندی ارائه شود که نسبت به تغییر داده ها از مقاومت بالاتری برخوردار باشند. در این پایان نامه سه روش جدید طبقه بندی با استفاده از ترکیب طبقه بندها، که دارای دقت بالاتر و قابلیت اطمینان بیشتر برروی مجموعه داده های مشتریان بانک می باشند، ارائه شده است.

منابع مشابه

تحلیل صدای گریه نوزاد با استفاده از طبقه بند بازنمایی تنک مبتنی بر هسته

پردازش صدای گریه نوزاد اطلاعات مفیدی در مورد وضعیت نوزاد در اختیار قرار ­می­دهد. این اطلاعات می­تواند به منظور تشخیص بیماری و یا درک نیاز نوزاد استفاده شود. این مقاله به تحلیل صدای گریه نوزاد با روی‌کرد تفکیک دو نوع منشاء درد و گرسنگی در صدای گریه پرداخته است. الگوهای بازنمایی تنک علامت (سیگنال) یکی از جدیدترین ابزار­های پردازش در حوزه بازشناسی الگو است. از این‌­رو، در مقاله جاری چارچوبی جدید ب...

متن کامل

مدلسازی ریسک اعتباری مشتریان بانک با استفاده از مدل تحلیل بقا مبتنی بر روش اسپلاین

امروزه بانکهای کشور با معضلات جدی به لحاظ نوع داراییهایشان مواجه هستند. از جمله عواملی که منجر به این وضعیت شدهاند میتوان به کیفیت بد داراییهای بانکها اشاره داشت که علت آن را میتوان نداشتن سیستم رتبهبندی و ارزیابی درست در ریسک اعتباری دانست. در این پژوهش با استفاده از مدل رگرسیون کاکس و همچنین مدل بقای رگرسیون لجستیک مبتنی بر اسپلاین به پیش‌بینی احتمال نکول در طول زمان پرداخته ایم. برای ...

متن کامل

پیش بینی ژن‏ های بیماری با استفاده از دسته‏ بند تک‌کلاسی ماشین بردار پشتیبان

Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...

متن کامل

بررسی ریسک اعتباری طبقه بندی مشتریان شبکه بانکی با استفاده از مدل های پیش بینی و تصمیم گیری چندمعیاره (مطالعه موردی: بانک ملی استان کردستان)

پژوهش حاضر با هدف طبقه بندی مشتریان بانکی بر اساس ریسک اعتباری به کمک مدل های پیش بینی و تصمیم گیری چندمعیاره انجام شده است. از آنجا که یکی از عوامل کلیدی در شبکه بانکی ریسک اعتباری است، لذا بانک ها علاقه مندند از روش های مختلف ریسک مزبور را کاهش دهند. پژوهش حاضر بر حسب هدف کاربردی و بر اساس شیوه گردآوری داده های توصیفی از نوع اسنادی است به گونه ای که تعداد 385 پرونده از بین مشتریان حقیقی (250)...

متن کامل

رویکردی نوین از کاربرد مدل های تصمیم گیری چند معیاره در طبقه بندی مشتریان اعتباری بانک

همواره مهم ترین عامل در تعیین وضعیت اعتباری مشتریان، بررسی ریسک اعتباری آن ها بوده است. در گذشته ریسک اعتباری غالبا با قضاوت شهودی تعیین می گردید که در مقایسه با روش های آماری و هوش مصنوعی که اخیرا مورد توجه قرار گرفته اند ازکارایی کمتری برخوردار بوده است. این در حالی است که بکارگیری روش های آماری، مستلزم توزیع مشخص داده ها می باشد و از طرف دیگر استفاده از روش های هوش مصنوعی نیز مستلزم محاسبات ...

متن کامل

مدل سازی ریسک اعتباری مشتریان بانک با به کارگیری رویکرد گروهی در طبقه بندی چند کلاسه

ریسک اعتباری به عنوان خطر ناشی از احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید بوده و یکی از مهم ترین ریسک ها در بانک ها و مؤسسات مالی به حساب می آید. یکی از مهم ترین ابرارهای کنترل و مدیریت ریسک اعتباری، استقرار نظام امتیازدهی اعتباری است. مدل های امتیازدهی اعتباری با دریافت مجموعه ای از اطلاعات مشتریان به عنوان ورودی، امتیازی را به عنوان خروجی به آنها اختصاص می دهند بانک ها می توانند از...

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

دانشگاه امام رضا علیه اسلام - دانشکده مهندسی کامپیوتر

کلمات کلیدی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023