در دنیای امروز، صنعت بانکداری بسیار حائز اهمیت است. حفظ مشتریان کنونی و جذب مشتریان جدید از مهمترین اهداف بانک ها است. با استفاده از بازاریابی، حجم بسیار زیادی از داده های مشتریان می تواند ذخیره و نگهداری شود. از طرفی، یکی از پرکاربردترین روش ها برای تحلیل داده های مشتریان بانک ها، استفاده از ابزارهای داده کاوی است. یکی از حوزه های مطرح در زمینه بازاریابی، مدل سازی واکنش مشتریان با استفاده از روش های رده بندی کننده داده کاوی است. از طرفی، از آن جا که نرخ واکنش مشتریان در این مسائل بسیار پایین است، بسیاری از محققان در پژوهش های خود به عدم توازن در مجموعه داده ها اشاره کرده اند. از این رو پیدا کردن راه حل هایی جامع برای حل این گونه مسائل، امری ضروری است. در این تحقیق، یک متدولوژی اجرایی بر اساس اعتبارسنجی داده ها، انتخاب ویژگی ها به صورت وزن دهی شده و روش های یادگیری پایه و جمعی مانند بگینگ، بوستینگ، دکوریت و جنگل های تصادفی به منظور مقابله با رده های نامتوازن استفاده شده است. تمامی مدل های پیشنهادی بر روی یک مجموعه داده حقیقی پیاده سازی شده و نتایج حاصل از دقت و صحت روش های مختلف، با یکدیگر مقایسه شده اند. در نهایت با بررسی نتایج، مشخص شد که مدل بگینگ شبکه عصبی کارایی بهتر و دقت بیشتری نسبت به سایر مدل های پایه و جمعی دارد.