فایل ورد کامل مقاله ارزیابی اعتبارسنجی وام‌های مشتریان با استفاده از الگوریتم جستجوی گروهی ماهی (Fish School Search)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله ارزیابی اعتبارسنجی وام‌های مشتریان با استفاده از الگوریتم جستجوی گروهی ماهی (Fish School Search) دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله ارزیابی اعتبارسنجی وام‌های مشتریان با استفاده از الگوریتم جستجوی گروهی ماهی (Fish School Search)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله ارزیابی اعتبارسنجی وام‌های مشتریان با استفاده از الگوریتم جستجوی گروهی ماهی (Fish School Search)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله ارزیابی اعتبارسنجی وام‌های مشتریان با استفاده از الگوریتم جستجوی گروهی ماهی (Fish School Search) :

چکیده :

در سیستمهای مالی و بانکها ، اعطای تسهیلات و وصول مطالبات معوق ، از جمله مسائل پر چالش میباشد. براین اساس طرحهایی نیز جهت ارزیابی اعتباری مشتریان ارائه شدهاند. این طرحها درخواست-
های وام متقاضیان را دستهبندی نموده و مدلی برای بررسی بدهیهای مالی ارائه میدهند ، تا بتوانند جهت

قضاوت در زمینه ارزیابی مسائل وامها ، کمکی به روشهای سنتی داوری نمایند. در این مقاله روشی جدید برای ارزیابی وامهای مشتریان توسط الگوریتم Fish School Search مورد بررسی قرار گرفته وبرای دستهبندی متقاضیان از روش خوشهبندیK_Means استفاده شده است و نتایج حاصل از آن با روش “خوشهبندی” K_Means و”الگوریتم “FSS مقایسه شده است. در مجموع الگوریتم
ترکیبیFSS وK_Means در زمینهی تشخیص مسائل مربوط به بازدهی وامها بهتر عمل مینماید.

الگوریتم مورد مطالعه از سه تابع مختلف برای یافتن بهترین جواب استفاده میکند: حرکت فردی ، حرکت غریزی دستهجمعی و حرکت ارادی دستهجمعی و متقاضیان را به دو دستهی “مشتریان خوب” و “مشتریان بد” تقسیم میکند. در این مقاله برای ارزیابی عملکرد الگوریتم مورد مطالعه در تشخیص مسائل وامها ، از مجموعه دادههای استاندارد آلمان استفاده شده است.

کلمات کلیدی : مطالبات معوق ، دسته بندی ، تسهیلات ، خوشهبندی

-۱کارشناسی کامپیوتر(نرم افزار) ، دانشگاه جامع علمی کاربردی واحد زنجان Jafarian_zahra_jd@yahoo.com

-۲ کارشناسی کامپیوتر(نرم افزار) ، دانشگاه جامع علمی کاربردی واحد زنجان Roya.jafary @yahoo.com

-۳ کارشناسی ارشد کامپیوتر(هوش مصنوعی) ، دانشگاه جامع علمی کاربردی واحد زنجانJafarieh_farshad@yahoo.com

اولین همایش ملی و چهارمین همایش مؤسسه آموزش عالی خاوران

» فناوریهای نوین در علوم مهندسی«
مشهد- اردیبهشت ۱۳۸۹

۱.مقدمه

در دو دهه اخیر برای کمک به امر تصمیمگیری در خصوص اعطای تسهیلات به افراد متقاضی در بانکها،روشهای متعددی پیشنهاد شدهاست.هر یک از این روشها ،از مدلی برای دستهبندی متقاضیان به دو دستهکسانیکه تقاضای وامشان مورد تأیید قرار میگیرد و کسانیکه تقاضای وامشان مورد تأیید قرار نمیگیرد، استفاده میکنند.درسالهای اخیر به همان نسبتکه بر موجودی و اعتبار مصرفکنندگان افزوده شدهاست،ورشکستگیهای مالی و قصور در پرداختها نیز رشد بیشتری داشتهاند.برخلاف افزایش ورشکستگیهای مصرف کنندگان ، رقابت در بازار وام هر روز پررونقتر میشود و وامدهندگان از سیستمهای کنترلی مختلفی برای ارزیابی ریسک اعتباری مشتری و خسارت ناشی از عدم بازپرداخت وام توسط مشتری استفاده مینمایند.[۱]

بنابراین برای تحت نظر قرار دادن تقاضاهای اعتباری،روشهای جدیدی بایستی ایجاد گردد،تا بتوان با دقت بیشتری آینده تقاضاهای اعتباری را پیشبینی نمود.ارزیابی اعتباری باعث کاهش هزینه تحلیل اعتباری گشته و موجب تسریع در تصمیمگیریهای اعتباری میشود و از طرفی زمینهی نظارت دقیقتر بر روی حسابها را نیز فراهم میکند،تا در نهایت بتوان تقاضاهای موجود را بر اساس درجهی اهمیت مرتب نمود.

در این مقاله در مورد دقت دستهبندی درخواستهای وام متقاضیان، با استفاده از الگوریتم حرکت دسته جمعی ماهیها که روشی با یادگیری بدون نظارت است،متمرکز شدهایم.از آنجاییکه این مسئله یک مسئله دستهبندی میباشد،در این مقاله از ترکیب روش خوشهبندی دادهها و الگوریتم FSS استفاده شدهاست.نتایج حاصل از آن با روش K-mean که یک روش معمول برای دستهبندی دادهها است، مقایسه شده است. با استفاده از نمونههای آموزشی دقت این الگوریتم برای دستهبندی درخواست متقاضیان به دو کلاس “تعلق وام مثبت ارزیابی شد” و “تعلق وام منفی ارزیابی شد” مورد بررسی قرار گرفته است.

این مقاله در شش بخش آماده شده است. بخش بعدی ساختار روش خوشهبندی K-means مورد بررسی قرار خواهد گرفت. در بخش ۳ الگوریتم FSS معرفی خواهد شد و در بخش۴ الگوریتم پیشنهادی معرفی شده و در بخش ۵ نتایج آزمایشات مقایسه خواهند شد و در نهایت در بخش ۶ به خلاصه و نتیجه-

گیری میپردازیم.

اولین همایش ملی و چهارمین همایش مؤسسه آموزش عالی خاوران

» فناوریهای نوین در علوم مهندسی«
مشهد- اردیبهشت ۱۳۸۹

.۲خوشهبندی K_Means

روشهای مختلفی برای حل مسئله خوشهیابی پیشنهاد شده است،که از میان آنها روش خوشهیابی K_Means از شهرت بیشتری برخوردار است.در این روش ابتدا به تعداد پیشفرض مراکز خوشهها به صورت کاملاً تصادفی از میان نقاط داده انتخاب میشوند و سپس عمل تشکیل خوشهها با تعلق بردار داده به نزدیکترین مرکز داده صورت میگیرد.در مرحلهی بعدی مراکز جدید خوشهها با مقدار میانگین نقاط موجود در یک خوشه،جایگزین میشوند مجدداًو عمل تعلق داده در فضای ویژگی به خوشهها تکرار میشود.این فرایند تا
زمانی که مراکز خوشهها ثابت باقی بمانند، تکرار میشود .[۲]

پارامترهایی که برای خوشهیابی K_Means مورد استفاده قرار میگیرند: : N d تعداد بعدهای ورودی(برای مثال تعداد پارامترهای بردارهای داده) : No تعداد بردارهای داده که باید دستهبندی شوند.

: N c تعداد مرکز ثقلها(تعداد خوشهها) و p : z p امین بردار داده و : m j مرکز ثقل کلاسj ام : n j تعداد بردارهای داده متعلق به کلاس j و : Cj زیر مجموعهای از بردارهای متعلق به کلاس j روال روش خوشهیابی K_means در شکل ۱ نشان داده شده است۴] و.[۳