محدثه مددي

Bank Customer Segmentation an‎d Loan Approval Prediction Using Machine Learning Algorithms

اعتبارسنجي مشتريان بانكي نقشي كليدي در مديريت ريسك و تصميم‌گيري اعتباري دارد. روش‌هاي سنتي، به دليل اتكا بر داده‌هاي محدود و قضاوت انساني، پاسخ‌گوي پيچيدگي رفتار مالي مشتريان نيستند. اين پژوهش با هدف ارائه مدلي كارآمد براي پيش‌بيني رتبه اعتباري مشتريان، از الگوريتم‌هاي يادگيري ماشين و روش‌هاي تصميم‌گيري چندمعياره بهره گرفته است. داده‌هاي واقعي مشتريان گردآوري و پس از آماده‌سازي و رفع عدم‌توازن، الگوريتم‌هايي مانند درخت تصميم، جنگل تصادفي، نزديك‌ترين همسايگي، رگرسيون لجستيك، ماشين بردار پشتيبان و مدل‌هاي تركيبي اجرا شدند. ارزيابي مدل‌ها با معيارهايي چون صحت، دقت، بازخواني و امتياز اف‌وان انجام و با تحليل سلسله‌مراتبي رتبه‌بندي شد. نتايج نشان داد كه مدل‌هاي تركيبي و جنگل تصادفي عملكرد بهتري در پيش‌بيني اعتبار مشتريان دارند. خروجي تحقيق قابليت كاربرد در سامانه‌هاي تصميم‌يار بانكي را دارد و مي‌تواند موجب كاهش ريسك اعتباري و ارتقاي عدالت در اعطاي تسهيلات شود.

يادگيري ماشين، جنگل تصادفي، مدل‌هاي تركيبي، اعتبارسنجي مشتريان بانك، رتبه‌بندي اعتباري، تحليل سلسله مراتبي، ريسك اعتباري