محمد کاظمی؛ محمدعلی کرامتی؛ مهرزاد مینوئی
چکیده
چکیدهخوشه‌بندی روشی رایج برای تجزیه و تحلیل داده‌های مختلف در بسیاری از زمینه‌ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده‌کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه‌بندی فرآیند گروه-بندی اشیای مشابه به گروه‌های مختلف یا به بیان دقیق‌تر، تقسیم مجموعه‌ای از داده‌ها به زیر مجموعه‌های مجزا است. نکته‌ی اصلی، ...
بیشتر
چکیدهخوشه‌بندی روشی رایج برای تجزیه و تحلیل داده‌های مختلف در بسیاری از زمینه‌ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده‌کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه‌بندی فرآیند گروه-بندی اشیای مشابه به گروه‌های مختلف یا به بیان دقیق‌تر، تقسیم مجموعه‌ای از داده‌ها به زیر مجموعه‌های مجزا است. نکته‌ی اصلی، مشخص‌نبودن تعداد گروه ها در خوشه‌بندی است، بگونه ای که در خوشه‌بندی متخصصین، سلیقه‌ای عمل می نمایند.این رساله به دنبال ارایه‌ی راه کاری برای خوشه‌بندی پویای مشتریان بانک، بر مبنای الگوریتم ژنتیک با لحاظ نمودن روش LRFM می باشد. به عبارت دقیق‌تر، الگوریتم ژنتیک سعی خواهد کرد از بین فیلدهای اطلاعاتی مختلفی که در مورد مشتریان بانک در پایگاه داده وجود دارد؛ فیلدهای مناسبی را در کنار ویژگی-های به کار رفته در روش LRFM قرار دهد تا نتایج مناسب‌تری را در خوشه‌بندی مشتریان بانک به دست آورد، تصمیم‌گیری در مورد تعداد گروه های موجود نیز بر عهده‌ی الگوریتم ژنتیک خواهد بود. پیاده‌سازی-های مختلف الگوریتم ژنتیک با استفاده از تابع‌های مختلف جهش و پیوند انجام پذیرفته تا دستیابی به بهترین حالت پیاده‌سازی گردد. شایان ذکر است تمامی روش‌های پیوند و جهش (به دلیل تعدد زیاد) قابل آزمون نیستند. لیکن، روند به گونه‌ای طراحی شده تا در پیاده‌سازی، بهبود نسبت به روش پایه LRFM و برخی روش‌های رقیب حاصل گردد.کلمات کلیدی: مدیریت ارتباط با مشتریان بانک،خوشه بندی، مدل LRFM، الگوریتم ژنتیک.
