مطالعه تطبیقی پیش‌بینی بازار بانک ​

پیش‌بینی بازار بانکی یکی از حوزه‌های مهم تحقیق داده کاوی است.در سناریوی فعلی، به ما مقادیر عظیمی از داده‌ها از سازمان‌های مختلف بانکی، داده شده، اما در عین حال به دنبال دستیابی به اطلاعات معنی‌دار از آن‌ها هستیم.روش‌های داده کاوی به ما کمک خواهند کرد تا دانش جالبی را از این مجموعه داده استخراج کنیم تا به کمپین های بازاریابی بانکی کمک کنیم.این کار تجزیه و تحلیل و کاربردهای مهم‌ترین تکنیک‌های داده کاوی را معرفی می‌کند.ما در کار خود از دیدگاه چند لایه ای شبکه عصبی ادراک (mlpnn)، درخت تصمیم‌گیری (DT)و ماشین بردار پشتیبان (SVM)استفاده می‌کنیم.هدف از این کار بررسی عملکرد تکنیک‌های mlpnn، DT و SVM در داده‌های دنیای واقعی از داشتن اشتراک سپرده بانکی است.نتایج تجربی نشان می‌دهند که با دقت بالاتر، موفقیت این مدل‌ها در پیش‌بینی بهترین کمپانی با مشتریانی که برای سپرده بانکی اشتراک می گیرند، در ارتباط است.عملکرد توسط برخی از معیارهای آماری شناخته‌شده مانند دقت، خطای جذر میانگین مربع،آمار Kappa، نرخ TP، نرخ FP،دقت،فراخوانی، اندازه گیری F و مقادیر حوزه ROC ارزیابی می‌شود.

Bank market prediction is an important area of data mining research. In the present scenario, we are given with huge amounts of data from different banking organizations, but we are yet to achieve meaningful information from them. Data mining procedures will help us extracting interesting knowledge from this dataset to help in bank marketing campaigns. This work introduces analysis and applications of the most important techniques in data mining. In our work, we use Multilayer Perception Neural Network (MLPNN), Decision Tree (DT) and Support Vector Machine (SVM). The objective is to examine the performance of MLPNN, DT and SVM techniques on a real-world data of bank deposit subscription. The experimental results demonstrate, with higher accuracies, the success of these models in predicting the best campaign contact with the clients for subscribing deposit. The performance is evaluated by some well-known statistical measures such as accuracy, Root-mean-square error, Kappa statistic, TP-