سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,112,923
تعداد دریافت فایل اصل مقاله97,216,757
Alborz, Mahmood i, Mohammad Pourzarandi, Mohammad Ebrahim, khanbabaei, Mohammad. (1389). Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers. , 2(4), -.
Mahmood i Alborz; Mohammad Ebrahim Mohammad Pourzarandi; Mohammad khanbabaei. "Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers". , 2, 4, 1389, -.
Alborz, Mahmood i, Mohammad Pourzarandi, Mohammad Ebrahim, khanbabaei, Mohammad. (1389). 'Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers', , 2(4), pp. -.
Alborz, Mahmood i, Mohammad Pourzarandi, Mohammad Ebrahim, khanbabaei, Mohammad. Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers. , 1389; 2(4): -.

Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers

Journal of Information Technology Management
مقاله 2، دوره 2، شماره 4، دی 2010    اصل مقاله (190.68 K)
نویسندگان
Mahmood i Alborz؛ Mohammad Ebrahim Mohammad Pourzarandi؛ Mohammad khanbabaei
چکیده
Decision trees as one of the data mining techniques, is used in credit scoring of bank customers. The main problem is the construction of decision trees in that they can classify customers optimally. This paper proposes an appropriate model based on genetic algorithm for credit scoring of banks customers in order to offer credit facilities to each class. Genetic algorithm can help in credit scoring of customers by choosing appropriate features and building optimum decision trees. Development process in pattern recognition and CRISP process are used in credit scoring of customers in construction of this model. The proposed classification model is based on clustering, feature selection, decision trees and genetic algorithm techniques. This model select and combine the best decision tree based on the optimality criteria and constructs the final decision tree for credit scoring of customers. Results show that the accuracy of proposed classification model is more than almost the entire decision tree models compared in this paper. Also the number of leaves and the size of decision tree i.e. its complexity is less than the other models.
کلیدواژه‌ها
Clustering.؛ Credit scoring؛ Decision Trees؛ Features Selection؛ Genetic algorithm
عنوان مقاله [English]
به کارگیری الگوریتم ژنتیک در بهینه‌سازی درختان تصمیم‌گیری برای اعتبارسنجی مشتریان بانک‌ها
نویسندگان [English]
محمود البرزی؛ محمد ابراهیم محمد پورزرندی؛ محمد خان بابایی
چکیده [English]
درختان تصمیم‌گیری به عنوان یکی از تکنیک‌‌های داده‌کاوی می‌‌توانند به اعتبارسنجی مشتریان بانکی بپردازند. مسئله‌ی اصلی ساخت درختان تصمیم‌‌گیری است که بتوانند به طور بهینه مشتریان را طبقه‌بندی کنند. در این مقاله یک مدل مناسب اعتبارسنجی مشتریان بانک‌‌ها برای اعطای تسهیلات اعتباری متناسب با هر طبقه مبتنی بر الگوریتم ژنتیک ارایه می‌‌شود. الگوریتم‌‌های ژنتیک می‌‌توانند با انتخاب ویژگی‌‌های مناسب و ساخت درختان تصمیم‌‌گیری بهینه به اعتبارسنجی مشتریان کمک کنند. در ساخت این مدل فرآیند توسعه در شناخت الگو و فرآیند CRISP برای اعتبارسنجی مشتریان به‌کار رفته است. مدل طبقه‌بندی پیشنهادی مبتنی بر تکنیک‌‌های خوشه‌بندی، انتخاب ویژگی‌‌ها، درختان تصمیم‌‌گیری و الگوریتم ژنتیک است. این مدل به انتخاب و ترکیب بهترین درختان تصمیم‌‌گیری مبتنی بر معیارهای بهینگی و ساخت درخت تصمیم‌‌گیری نهایی برای اعتبارسنجی مشتریان می‌‌پردازد. نتایج نشان می‌‌دهد که دقت طبقه‌‌بندی مدل طبقه‌‌بندی پیشنهادی به‌طورتقریبی از تمام مدل‌‌های درخت تصمیم‌‌گیری مقایسه شده در این مقاله بالاتر است. هم‌چنین تعداد برگ‌ها و اندازه‌ی درخت تصمیم‌‌گیری و در نتیجه‌ی پیچیدگی آن از همه کمتر است.
کلیدواژه‌ها [English]
اعتبارسنجی, الگوریتم ژنتیک, انتخاب ویژگی‌‌ها, خوشه‌بندی, درختان تصمیم‌گیری
آمار
تعداد مشاهده مقاله: 4,180
تعداد دریافت فایل اصل مقاله: 8,200


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب