مرکز منطقه ای اطلاع رسانی علوم و فناوری راهبرد توسعه 1735-2460 21 83 2025 12 9 Cost-sensitive deep learning-based credit rating: Providing an optimal weighted combination framework of heterogeneous algorithms رتبه‌بندی اعتباری مبتنی بر یادگیری عمیق حساس به هزینه: ارائه چارچوب ترکیب وزنی بهینه الگوریتم‌های نا همگن 231 270 fa مهدی فرضی دانشگاه آزاد اسلامی واحد تبریز یعقوب پور کریم دانشگاه آزاد اسلامی واحد تبریز سید علی پایتخی اسکوئی دانشگاه آزاد اسلامی واحد تبریز مهدی زینالی دانشگاه آزاد اسلامی واحد تبریز رسول برادران حسن زاده دانشگاه آزاد اسلامی واحد تبریز 2025 1 10 <p>Credit scoring is a process employed by lenders, such as banks or credit card companies, to evaluate the ability of individuals or businesses to repay loans. This assessment is conducted by examining factors such as payment history, credit utilization, length of credit history, and types of credit used. A variety of models have been developed for credit scoring, utilizing complex algorithms to calculate credit scores. In recent years, the use of deep learning in this domain has seen significant growth due to its high accuracy and capability to analyze complex data. The LSTM deep neural network, benefiting from a forget gate and long-term memory, offers superior performance compared to other similar neural networks. This research proposes an integrated deep learning model for credit scoring of bank customers, designed based on ensemble learning and simultaneous optimization of parameters and feature selection using a genetic algorithm (GA). The key innovation of this model is the independent combination of four algorithms&mdash;AdaBoost, Bagging, Random Forest, and LSTM&mdash;and the integration of their outputs through an optimized linear weighted combination. This approach, by leveraging the strengths of each algorithm and optimizing hyperparameters and features, significantly enhances prediction accuracy. The proposed model was evaluated on three standard datasets from Iran, Australia, and Germany. The results demonstrated substantial improvements in metrics such as accuracy (ACC), precision, recall, F1 score, and reduction in classification error (MC). Specifically, for the Iranian dataset, the accuracy reached 0.934, reducing the classification error to 6.6%. For the Australian and German datasets, the accuracies were 0.902 and 0.843, respectively, showing notable superiority over previous models from 2023 to 2025. These findings confirm the high potential of the proposed model in improving credit decision-making, reducing the risk of default, and enhancing the financial stability of banks.</p> <p>رتبه&zwnj;بندی اعتباری فرایندی است که توسط تسهیلات&zwnj;دهندگان، مانند بانک&zwnj;ها یا شرکت&zwnj;های کارت اعتباری، برای ارزیابی توانایی بازپرداخت تسهیلات توسط افراد یا کسب&zwnj;وکارها به کار می&zwnj;رود. این ارزیابی با بررسی عواملی نظیر سابقه پرداخت، میزان استفاده از اعتبار، طول سابقه اعتباری و نوع اعتبار مصرفی انجام می&zwnj;شود. مدل&zwnj;های متنوعی برای رتبه&zwnj;بندی اعتباری توسعه یافته&zwnj;اند که از الگوریتم&zwnj;های پیچیده برای محاسبه امتیاز اعتباری بهره می&zwnj;برند. در سال&zwnj;های اخیر، استفاده از یادگیری عمیق در این حوزه به دلیل دقت بالا و توانایی تحلیل داده&zwnj;های پیچیده، رشد چشمگیری داشته است. شبکه عصبی عمیق LSTM، با بهره&zwnj;مندی از لایه فراموشی و حافظه بلندمدت، عملکرد برتری نسبت به سایر شبکه&zwnj;های عصبی مشابه ارائه می&zwnj;دهد. این پژوهش، یک مدل یادگیری عمیق یکپارچه برای رتبه&zwnj;بندی اعتباری مشتریان بانکی پیشنهاد می&zwnj;دهد که بر پایه یادگیری جمعی و بهینه&zwnj;سازی همزمان پارامترها و انتخاب ویژگی&zwnj;ها با الگوریتم ژنتیک (GA) طراحی شده است. نوآوری کلیدی این مدل، ترکیب مستقل چهار الگوریتم AdaBoost، Bagging، Random Forest و LSTM و ادغام خروجی&zwnj;های آن&zwnj;ها از طریق یک ترکیب وزنی خطی بهینه&zwnj;شده است. این رویکرد، با بهره&zwnj;گیری از نقاط قوت هر الگوریتم و بهینه&zwnj;سازی هایپرپارامترها و ویژگی&zwnj;ها، دقت پیش&zwnj;بینی را به&zwnj;طور قابل توجهی افزایش می&zwnj;دهد. ارزیابی مدل پیشنهادی بر روی سه مجموعه داده استاندارد از ایران، استرالیا و آلمان انجام شد. نتایج نشان داد که این روش، بهبود چشمگیری در معیارهای دقت (ACC)، صحت (Precision)، فراخوانی (Recall)، شاخص F1 و کاهش خطای طبقه&zwnj;بندی (MC) ایجاد کرده است. به&zwnj;طور خاص، برای داده&zwnj;های ایران، دقت به 0.934 رسید که خطای طبقه&zwnj;بندی را به 6.6% کاهش داد. برای داده&zwnj;های استرالیا و آلمان نیز دقت به ترتیب به 0.902 و 0.843 دست یافت که نسبت به مدل&zwnj;های پیشین در بازه 2023 تا 2025 برتری قابل توجهی دارد. این یافته&zwnj;ها، پتانسیل بالای مدل پیشنهادی را در بهبود تصمیم&zwnj;گیری اعتباری، کاهش ریسک عدم بازپرداخت و تقویت پایداری مالی بانک&zwnj;ها تأیید می&zwnj;کند.</p> http://rahbord-mag.ir/en/Article/Download/52463