مدل رتبه بندی اعتباری هیبریدی با استفاده از الگوریتم های ژنتیک و سیستم های خبره فازی (بخش دوم)

مدل پیشنهادی

ابتدا با استفاده از الگوریتم ژنتیک، ویژگی های مهم برای تعیین میزان اعتبار مشتریان بانکی انتخاب شده اند و سپس با در نظر گرفتن این مجموعه ویژگی، به ساخت قوانین رتبه بندی اعتباری فازی پرداخته شد و در نهایت، مجموعه قوانین رتبه بندی اعتباری مشتریان بانکی برای ارزیابی مشتریان به دست آمد. 
به فرآیند ساخت و آزمون مدل پیشنهادی سیستم خبره فازی رتبه بندی اعتباری مشتریان بانکی می پردازد. ابتدا به آماده سازی و تمیز دادن مجموعه داده های رتبه بندی اعتباری مشتریان بانک پرداخته می شود. 
سپس در پیش پردازش داده ها، انتخاب ویژگی ها به کمک الگوریتم ژنتیک صورت می گیرد. ماحصل این کار، ویژگی های رتبه بندی اعتباری منتخب در طراحی و ساخت سیستم خبره است. سپس، مبتنی بر نظرات خبرگان به فازی سازی ویژگی های منتخب پرداخته می شود. 
در ادامه قوانین مجموعه سیستم فازی براساس نظرات خبرگان تبیین می شوند و به کمک سیستم استنتاج فازی ممدانی، خروجی فازی دریافت می شود و در پایان، پس از انجام عملیات فازی زدایی، مجموعه قوانین فازی برای رتبه بندی اعتباری مشتریان بانکی تولید می شود. 
در انتخاب ویژگی ها به كمك الگوریتم ژنتیك، هر كروموزوم نشان دهنده مجموعه ویژگی های رتبه بندی اعتباری است. از آنجا كه مسئله اصلی در انتخاب ویژگی، انتخاب یا عدم انتخاب یك ویژگی است، شیوة كدگذاری در انتخاب ویژگی، كدگذاری صفر و یك است كه به ترتیب نشان دهنده عدم حضور و حضور هر ویژگی در مجموعه ویژگی ها است. 
روش انتخاب كروموزوم ها، چرخ گردان است. عملگر تقاطع از نوع تك نقطه ای صفر و یك است. عملگر جهش برای عدم قرار گرفتن در جواب های بهینه محلی، روش تك نقطه ای صفر و یك است. همچنین، عملگر جایگزینی كروموزوم های قبلی با كروموزوم جدید بر پایه شایستگی است. 
شرط خاتمه یافتگی الگوریتم، رسیدن به تعداد معینی تكرار است. رویكرد انتخاب ویژگی، رویكرد فیلتر و تابع ارزیاب، دقت طبقه بندی کننده C4.5 است. 
در انتخاب ویژگی ها برای تقسیم مجموعه داده به آموزش و آزمون، از روش اعتبارسنجی متقاطع استفاده می شود. پس از انتخاب ویژگی ها، از طریق مصاحبه باز با كارشناسان و خبرگان، مقادیر فازی و حدود این مقادیر، توابع عضویت ویژگی ها و قواعد سیستم خبره فازی تعیین شد. 
تابع عضویت ویژگی ها، فازی ساز گوسین است. این فازی ساز نسبت به فازی سازهای دیگری چون مثلثی و ذوزنقه ای، از انعطاف پذیری بیشتری برخوردار بوده و به مسائل جهان واقعی نزدیكتر است. 
چون نوع مسئله در این پژوهش به گونه ای است كه تابع عضویت خروجی نمی تواند تابع ریاضی باشد و انعطاف پذیری سیستم های فازی در سوگنو وجود ندارد، سیستم فازی ممدانی برای تعیین خروجی به كار می رود.
برای فازی زدایی خروجی ها، غیرفازی ساز مركز ثقل به كار گرفته شد. در تعیین رتبه اعتباری مشتریان، خروجی سیستم خبره فازی شامل سه مقدار فازی كم، متوسط و زیاد است.

یافته های پژوهش

در این بخش به ارائه نتایج و یافته های پژوهش پرداخته می شود.

مطالعه موردی

مدل پیشنهادی سیستم خبره فازی در مجموعه داده های موسسه مالی و اعتباری قوامین، مورد ارزیابی و آزمون قرار گرفت. برای تجزیه و تحلیل داده های رتبه بندی اعتباری و رسیدن به نتایج لازم، از نرم افزارهای اكسل، وكا و متلب (ماژول سیستم استنتاج فازی) استفاده شد . 
در اینجا كارشناسان رتبه بندی اعتباری، مبتنی بر قضاوت های ذهنی خود، به اعطای تسهیلات اعتباری اقدام می كنند. پس از آماده سازی و تمیز كردن داده ها، تعداد ویژگی ها و تراكنش ها، به ترتیب برابر با 12 و 1079 به دست آمد. 
سپس به كمك روش انتخاب ویژگی ها مبتنی بر الگوریتم ژنتیك، به انتخاب نه ویژگی مهم در رتبه بندی اعتباری پرداخته شد. مقادیر پارامترهای الگوریتم ژنتیك در انتخاب ویژگی ها به قرار زیر است.
تعداد نسل و جمعیت اولیه: 20، تابع ارزیاب: دقت طبقه کننده درخت تصمیم گیری C4.5، نرخ تقاطع: 0.9، نرخ جهش: 0.01، عدد تصادفی: 1، عدد اعتبارسنجی در انتخاب ویژگی ها: 10. 
مقادیر پارامترهای تابع ارزیاب درخت تصمیم گیری C4.5 (تابع ارزیابی الگوریتم ژنتیک در مدل پیشنهادی) به صورت پیش فرض در ابزار وکا موجود است. 
بعد از اجرای الگوریتم انتخاب ویژگی ها مبتنی بر الگوریتم ژنتیك، ویژگی های سن، سابقه كار، درآمد، میانگین موجودی حساب سه ماهه اخیر، میزان وام، نرخ وام، تعداد اقساط، جنسیت و وضعیت مسكن انتخاب شدند. این ویژگی ها، نتایج حاصل از اجرای الگوریتم انتخاب ویژگی ها مبتنی بر روش جستجوی الگوریتم ژنتیك هستند. 
به گفته دیگر، در فرایند جستجوی الگورتیم ژنتیك، مقدار نهایی كد این ویژگی ها برابر عدد یك شده است كه به معنای انتخاب این ویژگی ها است. با توجه به اینكه مدل پیشنهادی این پژوهش، به طبقه بندی و رتبه بندی اعتباری مشتریان بانكی می پردازد، تابع ارزیابی در روش جستجوی الگوریتم ژنتیک، تابع ارزیابی مدل طبقه بندی درخت تصمیم گیری C4.5 است تا بدین ترتیب دقت طبقه بندی نهایی مدل پیشنهادی افزایش یابد. 
بعد از انتخاب ویژگی ها، از طریق مصاحبه با فرد خبره، به تعیین محدوده یا دامنه تغییرات ویژگی های منتخب برای طراحی سیستم خبره رتبه بندی اعتباری، پرداخته شد. 
سپس برای هر یك از متغیرهای ورودی به سیستم خبره با توجه به نظرات خبره، مقادیر زبانی تعریف شد. همچنین مقادیر پارامترهای مربوط به توابع عضویت آنها نیز مشخص شد. تابع فازی سازی ویژگی ها، تابع فازی گوسین است.
هر قانون فازی از چند مقدم تشكیل شده كه در آنها مقدار عضویت به مجموعه های فازی مشخص است. می بایست یك عملگر فازی روی تمام آنها اعمال شود تا یك عدد كه نمایانگر نتیجه کلی تمام مقدم ها (ورودی ها) است، به دست آید. 
عملگر فازی بین متغیرهای ورودی عملگر (و) است. در این عملگر مینیمم مقادیر تابع فازی بین همه مقدم ها انتخاب می شود. پس از آن که متغیرهای ورودی به اعداد فازی تبدیل شدند و قوانین فازی تبیین شد، نوبت به استنتاج فازی می رسد. مقادیر زبانی که در مرحله قبل به متغیرهای ورودی اختصاص داده شده اند، بعضی از قوانین را فعال کرده و متغیر خروجی محاسبه می شود. سیستم استنتاج فازی در دو مرحله این کار را انجام می دهد:

1. اعمال استلزام: خروجی هر قانون، یک مجموعه فازی است که با یک تابع عضویت ارائه می شود. با توجه به عدد به دست آمده از عملگر (و) روی مقدم ها (ورودی ها)، این مجموعه فازی تغییر پیدا کرده و به منزله خروجی، ارائه می شود. استلزام به کار گرفته شده در این سیستم، استلزام ممدانی است. 
2. جمع کردن تمام خروجی ها: چون تصمیم گیری باید براساس آزمایش تمام قوانین FIS به صورت موازی انجام گیرد، بایستی نتیجه تمام قوانین به گونه ای با هم جمع شوند و مجموعه فازی خروجی واحدی ایجاد كنند. در سیستم ممدانی، در این قسمت اجتماع نتایج قوانین به منزله خروجی است. عملگر بیشینه کردن در این سیستم انتخاب می شود. موتور استنتاج سیستم خبره فازی رتبه بندی اعتباری را نشان می دهد. پس از این مرحله، به فازی زدایی خروجی پرداخته می شود. در اینجا از غیر فازی ساز مرکز ثقل استفاده می شود. عدد به دست آمده از غیر فازی ساز، تعیین درجه ریسک اعتباری مشتری است. 

توابع عضویت برای متغیر خروجی، تابع عضویت گوسین است. اگر عدد به دست آمده که خروجی غیر فازی ساز است، در مجموعه فازی High , Low , Medium قرار گیرد، درجه ریسک مشتری به ترتیب بالا (مشتریان بد حساب)، پایین (خوش حساب) و متوسط (نیاز به تصمیم گیری با احتیاط بیشتر، اخذ ضمانت بیشتر از مشتری، در صورت ارائه تسهیلات به وی) است. 
در سیستم طراحی شده، می توان با وارد كردن مقدار متغیرهای (ویژگی های) ورودی برای یك مشتری جدید، سطح ریسك اعتباری وی را پیش بینی كرد. برای آزمودن سیستم خبره فازی رتبه بندی اعتباری، اطلاعات مربوط به ویژگی های اعتباری صد نفر از مشتریان كه در پایگاه داده موجود بود، ورودی های سیستم در نظر گرفته شدند و در سیستم لحاظ شدند. 
نتیجه نشان داد، 88 درصد، مشتریان را به درستی طبقه بندی می كند. در ادامه به مقایسه دقت / سیستم با دقت 4 طبقه بندی سیستم خبره فازی رتبه بندی اعتباری پیشنهادی با مدل های طبقه بندی درختان تصمیم گیری در داده كاوی پرداخته می شود.
دقت طبقه بندی مشتریان در سیستم خبره فازی پیشنهاد شده، نسبت به مدل های طبقه بندی درختان تصمیم گیری بیشتر است. پس می توان از سیستم خبره فازی پیشنهادی برای رتبه بندی اعتباری مشتریان بانك ها و موسسه های مالی و اعتباری، همچون قوامین استفاده كرد.

نتیجه گیری

بانک ها در اعطای تسهیلات اعتباری به مشتریان خود، نیازمند رتبه بندی اعتباری آنها هستند. سیستم های خبره فازی می توانند به طبقه بندی و رتبه بندی مشتریان بپردازند. مسئله اصلی طراحی و ساخت یک سیستم خبره فازی است که بتواند به شکل مطلوبی مشتریان را طبقه بندی کند. 
هدف ارائه یک مدل مناسب رتبه بندی اعتباری مشتریان بانک ها (در اینجا موسسه مالی و اعتباری قوامین) برای اعطای تسهیلات اعتباری است. این مدل برپایه رویکرد هیبریدی روش انتخاب ویژگی، مبتنی بر الگوریتم ژنتیک و سیستم خبره فازی است.
از الگوریتم ژنتیک برای انتخاب ویژگی های رتبه بندی اعتباری استفاده شد. ویژگی های منتخب، ورودی های سیستم خبره فازی در نظر گرفته شدند و در ساخت قوانین رتبه بندی اعتباری مورد استفاده قرار گرفتند. دقت طبقه بندی مشتریان در سیستم خبره فازی پیشنهادی بالاتر از دقت طبقه بندی مدل های درختان تصمیم گیری مقایسه شده در این مقاله است. 
می توان از مدل هیبریدی سیستم خبر فازی پیشنهادی در این پژوهش، برای ساخت و استخراج قوانین رتبه بندی اعتباری مشتریان بانک ها استفاده کرد. 
با توجه به پیشینه پژوهش و مدل ارائه شده، برخی پیشنهادها عبارتند از:

1. انتخاب ویژگی با الگوریتم های ابتکاری دیگر، مثل پخت شبیه سازی شده، بهینه سازی کلونی مورچگان، بهینه سازی ذرات پراکنده
2. توسعه مدل پیشنهادی با به کارگیری روش های طبقه بندی داده کاوی، همچون شبکه های عصبی و ماشین بردار پشتیبان، در ساخت مدل طبقه بندی پیشنهادی و رتبه بندی اعتباری مشتریان بانکی در کنار استفاده از سیستم خبره فازی

همچنین پیشنهادهای کاربردی برای بانک ها به شرح زیر هستند:

• به كارگیری روش های هوش مصنوعی، همچون الگوریتم ژنتیك و منطق فازی در طراحی و ساخت مدل های رتبه بندی اعتباری در كنار استفاده از روش های قضاوتی در تعیین اعتبار مشتریان
• توسعه مدل پیشنهادی از طریق ساخت نرم افزار كاربردی سیستم خبره رتبه بندی اعتباری
• طراحی و ساخت یك سیستم پشتیبانی تصمیم گیری برای رتبه بندی اعتباری مشتریان بانك. در پایگاه مدل این سیستم، می توان از مدل پیشنهادی در این مقاله برای ساخت و تولید قوانین رتبه بندی اعتباری بهره جست.

مدل رتبه بندی اعتباری هیبریدی با استفاده از الگوریتم های ژنتیک و سیستم های خبره فازی (مطالعه موردی: موسسه مالی و اعتباری قوامین)
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=224738