تبيين دسته بندهاي ماشين بردار پشتيبان و شبكه عصبي جهت درجه بندي شعب بانك

Explaining the categories of support vector machine and neural network for Ranking of bank branches

در صنعت بانكداري اطلاعات زيادي وجود دارد كه شناسايي آن از اهميت ويژه‌اي برخوردار است. استفاده از تكنيك هاي داده كاوي نه تنها كيفيت را بهبود مي بخشد بلكه منجر به مزاياي رقابتي و ارتقاي جايگاه بازار نيز مي گردد. با استفاده از داده كاوي و به منظور تجزيه و تحليل الگوها و روندها، بانكها مي توانند صحت اين را پيش بيني كنند درجه بندي شعب بانك چگونه است. در اين مقاله درجه بندي شعب يكي از بانكهاي بزرگ تجاري (تعداد شعب انتخاب شده 1825 شعبه و تعداد ويژگي هاي مورد استفاده 57 ويژگي) با استفاده از دسته بندهاي ماشين بردار پشتيبان و شبكه عصبي چند لايه پرسپترون برروي داده هاي واقعي انجام گرفت. نتايج ارزيابي مربوط به ماشين بردار پشتيبان نشان داد كه اين دسته بند داراي كارايي پايين تري براي روش پيشنهادي است. اما استفاده از شبكه هاي عصبي و تركيب آن با PCA نشان داد كه داراي معيارهاي كارايي بالايي است. مقادير مربوط به كارايي و صحت با استفاده از شبكه عصبي با دقت بسيار بالايي بدست آمد.

There is a lot of information in the banking industry that is of particular importance in identifying it. The use of data mining techniques not only improves quality but also leads to competitive advantages and market positioning. By using data mining and in order to analyze patterns and trends, banks can predict the accuracy of how bank branches are ranked. In this paper, the branches of one of the large commercial banks (number of selected branches 1825 branches and the number of features used 57 features) were performed on real data using support vector machine categories and multi layer perceptron neural network. The evaluation results related to the support vector machine showed that this classifier has lower efficiency for the proposed method. However, the use of neural networks and its combination with PCA showed that it has high performance criteria. Values related to efficiency and accuracy were obtained using neural network with very high accuracy.