استفاده از داده کاوی و تکنیک سیستم های ژنتیکی فازی جهت پیش بینی موجودی های نقد در بانکها و موسسات مالی

استفاده از داده کاوی و تکنیک سیستم های ژنتیکی فازی جهت پیش بینی موجودی های نقد در بانکها و موسسات مالی


  • 152 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

با کمک سیستم فازی ژنتیکی که در این مقاله ارائه شد، یک مدل پیش گویی موجودی نقد بدست آمد که در حقیقت یک سیستم فازی با مجموعه قوانین فازی پشتیبان بود. این قوانین فازی به سبب نقصان آموزش در سیستم فازی باید از طریق دیگری بدست می آمد که الگوریتم ژنتیکی، راه کار مناسب برای بدست آوردن قوانین فازی از روی داده های آموزشی است. با ترکیب این دو تکنیک و بدست آمدن یک سیستم ژنتیکی قازی، در حقیقت نقاط ضعف سیستم فازی مرتفع شده، در عين آنکه از مزایای آن بهره مند می شویم. منظور آن است که ضمن داشتن یک مدل فازی که توانایی استنباط روی مقادیر نادقیق را دارد این امکان را نیز به کاربر می دهد که بازه ای به عنوان پیش بینی از موجودی نقد داشته باشد نه یک مقدار خاص، در نتیجه میزان دقت بالاتر می رود. اما مجموعه قوانین داخل سیستم فازی؛ خود مجموعه دانش استخراج شده محسوب شده، در حقیقت دانش کاربردی فرآیند داده کاوی خواهد بود، که ضمن داشتن قابلیت تفسیر توسط فرد خبره، به فرم قوانین فازی بوده پس قابل ارزیابی در یک سیستم فازی مجزا نیز هست با کمک سیستم های فازی ژنتیکی مدل فازی استخراج شده، دارای مجموعه قوانین زیادی است که نمی تواند راه گشای خوبی باشد، لذا یک مرحله فرآیندی دیگر روی آنها لازم است تا جمع بندی روی آنها صورت گرفته، قوانین جامع تر استخراج و ارائه شود. در سیستم های ژنتیکی فازی برای نقاطی که داده های آموزشی وجود ندارد، اغلب نمی توان قانون درستی استخراج کرد، می توان قوانین را تعمیم داد تا تمام نقاط ورودی ها را بپوشانند، اما صحت قوانین استخراج شده برای داده های گم شده، زیر سوال خواهد رفت، این نقطه ضعف این گونه سیستم ها ست در مقابل سیستم های شبکه عصبی که می تواند برای مناطقی که آموزش ندیده نیز پیش بینی داشته باشد، اما در مقابل شبکه های عصبی قابل تفسیر نیستند که ما نشان دادیم در از یک سیستم فازی ژنتیکی می توان قوانین صحیح و کلی استخراج کرد.
همان طور که اشاره شد، تعداد قوانین فازی استخراج شده برای مدل کردن روند نقدینگی، بیش از ۶۰۰ قانون بود، تعداد زیاد قوانین دقت سیستم را بالا خواهد برد؛ اما تعداد کم و با دامنه پوشش بالا برای کارشناس مالی از درجه اهميت بالاتری برخوردار است. لذا روی مجموعه قوانین بدست آمده پس پردازش جداگانه ای صورت گرفت که نتیجه آن ارائه تعداد محدود کمتر از ۴۰ قانون بود.

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.