fa پیش‌بینی امتیاز اعتباری اشخاص با استفاده از الگوریتم‌های داده‌کاوی (مورد مطالعه: مشتریان یک بانک دولتی ایران) سیاست پولی، بانکداری مرکزی و عرضه پول و اعتبارات (E5) Monetary Policy, Central Banking, and the Supply of Money and Credit (E5) مطالعه تجربی Empirical Study امتیاز اعتباری مشتریان یکی از ابزارهای مهم برای مدیریت ریسک در سیستم<span style="font-family:Arial,sans-serif;">‌</span>های بانکی است. طراحی سیستمی که بتواند شناسایی مشتریان بانکی را به‌درستی انجام دهد،&nbsp; از چالش‌های اساسی در داده‌کاوی و یادگیری ماشین بوده که مطالعات بسیاری در مورد آن انجام شده است. در این مطالعه، عوامل مرتبط با امتیاز اعتباری معرفی، و پیش<span style="font-family:Arial,sans-serif;">‌</span>بینی امتیاز اعتباری برای مشتریان یک بانک دولتی ایران انجام شده است. بدین‌منظور، روش‌شناسی <span dir="LTR">CRISP-DM</span> به‌عنوان مدل مرجعی برای فرایند داده‌کاوی مورد استفاده قرار گرفته و مدل‌سازی داده‌ها با بهره‌گیری از الگوریتم<span style="font-family:Arial,sans-serif;">‌</span>های مختلف (نزدیک<span style="font-family:Arial,sans-serif;">‌</span>ترین همسایگی، درخت تصمیم، و جنگل تصادفی) انجام شده است. نتایج ارزیابی و مقایسهٔ حساسیت و دقت الگوریتم<span style="font-family:Arial,sans-serif;">‌</span>ها نشان داد الگوریتم نزدیک<span style="font-family:Arial,sans-serif;">‌</span>ترین همسایگی با دقت ۹۰.۳ درصد برای مجموعهٔ آموزش و ۷۶.۷ درصد برای داده‌های آزمون، عملکرد مناسبی برای پیش<span style="font-family:Arial,sans-serif;">‌</span>بینی امتیاز اعتباری دارد. Knowledge and information extraction from data is an age-old concept in scientific studies. In industrial decision-making processes, the application of this concept gives rise to data-mining opportunities. Personal credit scoring is an ever-vital tool for banking systems in order to manage and minimize the inherent risks of the financial sector, thus, the design and improvement of credit scoring systems based on the data-driven and machine learning techniques have garnered newfound research interest on the subject in recent years. In the present study, important variables and parameters for credit score are identified and consequently, prediction of credit score for clients of a bank is performed. CRISP-DM is employed as the reference model for the data mining process and data modelling is accomplished based on a variety of algorithms (K-nearest-neighbors, Decision tree and Random forest). Comparative results of accuracy and sensitivity of algorithms demonstrated that the k-nearest neighbour algorithm by the accuracy of 90.3% for the training set and 76.7% for test data performs suitably to predict credit score. امتیاز اعتباری, داده‌کاوی, روش‌شناسی CRISP-DM, نزدیک‌ترین همسایگی, درخت تصمیم, جنگل تصادفی 327 360 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-2202-1&slc_lang=fa&sid=1 Aliyeh Kazemi عالیه کاظمی aliyehkazemi@ut.ac.ir 100319475328460011158 100319475328460011158 Yes University of Tehran دانشگاه تهران Kimia Azimzadeh کیمیا عظیم زاده طهرانی kimia.azimzadeh@gmail.com 100319475328460011159 100319475328460011159 No University of Tehran دانشگاه تهران Ali Abdali علی ابدالی abdali9192@gmail.com 100319475328460011160 100319475328460011160 No Amin Police University دانشگاه علوم انتظامی امین Sara Aryaee سارا آریایی sara.aryaee@ut.ac.ir 100319475328460011161 100319475328460011161 No University of Tehran دانشگاه تهران