چکیده :

در سیستمهاي مالی و بانکها ، اعطاي تسهیلات و وصول مطالبات معوق ، از جمله مسائل پر چالش میباشد. براین اساس طرحهایی نیز جهت ارزیابی اعتباري مشتریان ارائه شدهاند. این طرحها درخواست-
هاي وام متقاضیان را دستهبندي نموده و مدلی براي بررسی بدهیهاي مالی ارائه میدهند ، تا بتوانند جهت

قضاوت در زمینه ارزیابی مسائل وامها ، کمکی به روشهاي سنتی داوري نمایند. در این مقاله روشی جدید براي ارزیابی وامهاي مشتریان توسط الگوریتم Fish School Search مورد بررسی قرار گرفته وبراي دستهبندي متقاضیان از روش خوشهبنديK_Means استفاده شده است و نتایج حاصل از آن با روش “خوشهبندي” K_Means و”الگوریتم “FSS مقایسه شده است. در مجموع الگوریتم
ترکیبیFSS وK_Means در زمینهي تشخیص مسائل مربوط به بازدهی وامها بهتر عمل مینماید.

الگوریتم مورد مطالعه از سه تابع مختلف براي یافتن بهترین جواب استفاده میکند: حرکت فردي ، حرکت غریزي دستهجمعی و حرکت ارادي دستهجمعی و متقاضیان را به دو دستهي “مشتریان خوب” و “مشتریان بد” تقسیم میکند. در این مقاله براي ارزیابی عملکرد الگوریتم مورد مطالعه در تشخیص مسائل وامها ، از مجموعه دادههاي استاندارد آلمان استفاده شده است.

کلمات کلیدی : مطالبات معوق ، دسته بندي ، تسهیلات ، خوشهبندي

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

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

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

اولین همایش ملی و چهارمین همایش مؤسسه آموزش عالی خاوران

» فناوریهاي نوین در علوم مهندسی«
مشهد- اردیبهشت ۱۳۸۹

۱.مقدمه

در دو دهه اخیر براي کمک به امر تصمیمگیري در خصوص اعطاي تسهیلات به افراد متقاضی در بانکها،روشهاي متعددي پیشنهاد شدهاست.هر یک از این روشها ،از مدلی براي دستهبندي متقاضیان به دو دستهکسانیکه تقاضاي وامشان مورد تأیید قرار میگیرد و کسانیکه تقاضاي وامشان مورد تأیید قرار نمیگیرد، استفاده میکنند.درسالهاي اخیر به همان نسبتکه بر موجودي و اعتبار مصرفکنندگان افزوده شدهاست،ورشکستگیهاي مالی و قصور در پرداختها نیز رشد بیشتري داشتهاند.برخلاف افزایش ورشکستگیهاي مصرف کنندگان ، رقابت در بازار وام هر روز پررونقتر میشود و وامدهندگان از سیستمهاي کنترلی مختلفی براي ارزیابی ریسک اعتباري مشتري و خسارت ناشی از عدم بازپرداخت وام توسط مشتري استفاده مینمایند.[۱]

بنابراین براي تحت نظر قرار دادن تقاضاهاي اعتباري،روشهاي جدیدي بایستی ایجاد گردد،تا بتوان با دقت بیشتري آینده تقاضاهاي اعتباري را پیشبینی نمود.ارزیابی اعتباري باعث کاهش هزینه تحلیل اعتباري گشته و موجب تسریع در تصمیمگیريهاي اعتباري میشود و از طرفی زمینهي نظارت دقیقتر بر روي حسابها را نیز فراهم میکند،تا در نهایت بتوان تقاضاهاي موجود را بر اساس درجهي اهمیت مرتب نمود.

در این مقاله در مورد دقت دستهبندي درخواستهاي وام متقاضیان، با استفاده از الگوریتم حرکت دسته جمعی ماهیها که روشی با یادگیري بدون نظارت است،متمرکز شدهایم.از آنجاییکه این مسئله یک مسئله دستهبندي میباشد،در این مقاله از ترکیب روش خوشهبندي دادهها و الگوریتم FSS استفاده شدهاست.نتایج حاصل از آن با روش K-mean که یک روش معمول براي دستهبندي دادهها است، مقایسه شده است. با استفاده از نمونههاي آموزشی دقت این الگوریتم براي دستهبندي 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 بعدي ساختار روش خوشهبندي K-means مورد بررسی قرار خواهد گرفت. در بخش ۳ الگوریتم FSS معرفی خواهد شد و در بخش۴ الگوریتم پیشنهادي معرفی شده و در بخش ۵ نتایج آزمایشات مقایسه خواهند شد و در نهایت در بخش ۶ به خلاصه و نتیجه-

گیري میپردازیم.

اولین همایش ملی و چهارمین همایش مؤسسه آموزش عالی خاوران

» فناوریهاي نوین در علوم مهندسی«
مشهد- اردیبهشت ۱۳۸۹

.۲خوشهبندي K_Means

روشهاي مختلفی براي حل مسئله خوشهیابی پیشنهاد شده است،که از میان آنها روش خوشهیابی K_Means از شهرت بیشتري 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 مرحلهي بعدي مراکز جدید خوشهها با مقدار میانگین نقاط موجود در یک خوشه،جایگزین میشوند مجدداًو عمل تعلق داده در فضاي ویژگی به خوشهها تکرار میشود.این فرایند تا
زمانی که مراکز خوشهها ثابت باقی بمانند، تکرار میشود .[۲]

پارامترهایی که براي خوشهیابی K_Means مورد استفاده قرار میگیرند: : N d تعداد بعدهاي ورودي(براي مثال تعداد پارامترهاي بردارهاي داده) : No تعداد بردارهاي داده که باید دستهبندي 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 بردارهاي داده متعلق به کلاس j و : Cj زیر مجموعهاي از بردارهاي متعلق به کلاس j روال روش خوشهیابی K_means در شکل ۱ نشان داده شده است۴] و.[۳