سیده مریم عنایی - دانشگاه آزاد اسلامی واحد علوم و تحقیقات بوشهر گروه مهندسی کامپیوتر هوش مصنوعی بوشهر ایران
مهدی صادق زاده - هیپت علمی دانشگاه آزاد اسلامی واحد ماهشهر گروه ممهندسی کامپیوتر ماهشهر ایران
احمد کشاورز - هیت علمی دانشگاه خلیج فارس وواحد بوشهر گروه مهندسی برق بوشهر ایران

در صنعت بانکداری یکی از موضوعاتی هک همواره بایستی مدنظر سیاستگذاران اعتباری قرار داشته باشد مبحث مدیریت ریسک است در بین ریسک های مختلفی که بانک ها با آن مواجهند ریسک اعتباری از مهم ترین آن ها است که از زیان ها ناشی از نانولی یا عدم تمایل مشتری به ایفای تعهدات خویش در برابر بانک خاصل می گردد . جهت مدیریت و کنترل ریسک مذکور سیستم های طبقه بندی اعتباری مشتریان ضرورتی انکار ناپذیر است چنین سیستمی بر اساس سوابق اطلاعات موجود طبقه مشتریان را تعیین می کند . در امیتاز دهی اعتباری هدف کلی پیش بینی دقیق میزان شایستگی مشریان است که تا کنون تکنیک های آماری و هوش مصنوعی برای دستیابی به این هدف بکارگرفته شده اند. اما در بیشتر روش ها نیم توان از روی داده های دو کلاسی به صورت ند کلاسی اقدام یه دسته بندی نمود در حالیکه همیشه یک مشتری یا درجه ای از خوب بودن یا بد بودن سنجیده می شود . ازاین رو سعی می شود تا پس از حذف نویز داده ها با استفاده از خوشه بندی از یک مدل Support SVM Vector Machine چند کلاسی برای دسته بندی داده های جدید استفاده کرد بدین منظور انتخاب ویژگی و نتظیم پرامترها ب اساس الگوریتم ژنتیک انجام می شود . روش پینشهادی توانسته است دقت طبقه بندی را نسبت به سایر مدل های امتیاز برای مجموعه داده اعتباری آلمان و استرالیا افزایش دهد .

امتیاز دهی اعتباری خوشه بندی ماشین بردار پشتیبان الگوریتم ژنتیک