يکي از تصميمات مهم در بانک ها و مؤسسات مالي و اعتباري، تصمیم گیری در مورد اعطای وام به مشتریان و کاهش ریسک اعتباری است. هدف اين مقاله، ارائه مدلي مبتني بر شبکه هاي عصبي پيش خور براي شناسایی مشتريان اعتباري بد حساب در بانک سامان است. جهت يافتن ساختاري مناسب براي شبکه عصبي در مدل پيشنهادي، از سه استراتژی سريع، پويا و چندگانه استفاده شده است. سه طرح يادگيري از نسبت هاي مختلف داده هاي آموزشي، آزمايشي و اعتبارسنجي تشکيل شده و شبکه هاي عصبي مورد استفاده، در پیکربندی و تعداد لايه هاي پنهان با يکديگر اختلاف دارند. در این پژوهش از متدولوژی داده کاوی CRISP استفاده شده است. داده هاي مورد استفاده در اين پژوهش، داده هاي مربوط به مشتريان اعتباري بانک سامان طي سالهاي 1379 الي 1387 است. براي آماده سازي داده ها، پيش پردازش کاملي روي داده ها صورت گرفته است. جهت پيش گيري از بيش برازش مدل با مشخصات داده هاي آموزشي، بر اساس روش اعتبارسنجي تقاطعي، داده ها به سه قسمت داده هاي آموزشي، آزمايشي و اعتبارسنجي تقسيم گرديدند. براي ارزيابي مدل پيشنهادي، نتايج حاصل از استراتژي ها و طرح هاي مختلف در شبکه ها با يکديگر و با برخي از روش هاي رايج پيش بيني نظیر درخت تصميم و رگرسيون لجستيک مقايسه گرديده است. نتايج حاصل نشان مي دهد که شبکه عصبي سه لايه تحت الگوريتم يادگيري پس انتشار و با استراتژي سريع و طرح يادگيري اول از دقت بالاتري برخوردار است. Manuscript profile