از دلایل استفاده از درخت تصمیم می­توان به موارد زیر اشاره نمود:

• پس از تشکیل درخت تصمیم پیچیدگی محاسباتی به صورت لگاریتمی شده و کاهش می­یابد^[۸۳].

• می­توان قواعدی به صورت اگر-آنگاه از درخت تصمیم استخراج و از آن به صورت جداگانه استفاده نمود [۱۱]. درخت تصمیم برخلاف شبکه‌های عصبی به تولید قانون می ­پردازد و نتایج بدست آمده از درخت در قالب یک سری قوانین توضیح داده می­ شود.

• در درخت تصمیم برخلاف شبکه‌های عصبی لزومی ندارد داده‌ها به صورت عددی باشند.

از ویژگی‌های درخت تصمیم می­توان به عدم حذف داده‌ها در زمان دسته‌بندی، استفاده آسان، درک ساده مدل حاصل با وجود پیچیدگی کار الگوریتم ساخت درخت تصمیم و … اشاره نمود [۳۱].
۲-۸-۵-۳- شبکه‌های عصبی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که ویژگی‌های عملکردی مشابه شبکه عصبی بیولوژیکی دارد. شبکه ­های عصبی مصنوعی به عنوان مدل‌های ریاضی تعمیم یافته از نرون^[۸۴]‌های بیولوژیکی یا شناخت انسان بر اساس مفروضات زیر توسعه یافته است:

• پردازش اطلاعات در واحدهای بسیار ساده­ای که نرون نامیده می‌شوند رخ می‌دهد.

• سیگنال‌های نرون‌ها از طریق اتصالات انتقال می‌یابد.

• هر ارتباط یک وزن دارد که در یک شبکه عصبی متداول، در سیگنال ورودی ضرب می‌شود.

• هر نرون یک تابع فعال سازی دارد (که عمدتاً غیرخطی است) که ورودی شبکه جمع و سیگنال‌های ورودی وزن را به خروجی تبدیل می‌کند.

می‌توان هر شبکه عصبی را با ویژگی‌های زیر تشریح نمود:

• الگوی ارتباطات بین وزن‌ها (که معماری شبکه نامیده می‌شود)

• روش تعیین وزن‌ها در ارتباطات (که یادگیری یا آموزش نامیده می‌شود)

• تابع فعال­سازی

عمدتاً شبکه‌های مختلف در جنبه های فوق متفاوت هستند و بدین طریق از هم متمایز می‌شوند.
هر شبکه عصبی از تعداد زیادی واحد ساده پردازش کننده که نرون­ها، واحدها، سلول‌ها و یا گره‌ها نامیده می­شوند، تشکیل شده است. هر نرون با نرون‌های دیگر به وسیله اتصالات مستقیم مرتبط است که هر اتصال با یک وزن نمایندگی می‌شود. در واقع وزن‌ها اطلاعاتی را که برای حل مسئله مورد استفاده قرار می‌گیرد بازنمایی می­ کند.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

هر نرون یک وضعیت درونی دارد که فعال­سازی^[۸۵] یا سطح فعالیت^[۸۶] نامیده می‌شود و تابعی از ورودی‌هایی است که دریافت می‌کند. هر نرون فعالیت خود را به عنوان یک سیگنال به سایر نرون‌ها ارسال می‌کند. البته لازم به توجه است که هر نرون تنها یک سیگنال در هر لحظه از زمان قادر است ارسال کند [۱۱].
۲-۸-۵-۴- پیش بینی^[۸۷]
این تکنیک از روش‌های مهم و قدیمی داده‌کاوی است که می ­تواند جهت پاسخگویی به مسائلی از قبیل میزان جذب سرمایه ­گذاری ماه آینده بانک، پیش ­بینی ارزش سهام در روز آینده و … مورد استفاده قرار گیرد.
در پیش ­بینی مجموعه ­ای از اطلاعات به عنوان ورودی به الگوریتم داده می­ شود. خروجی یک معادله ریاضی متناسب با این ورودی خواهد بود. برای پیش ­بینی یک متغیر در آینده داده‌ها را به فرمول ایجاد شده می­دهیم و حاصل پیش ­بینی مورد نظر خواهد بود.
تفاوت این روش با روش‌های دسته‌بندی در این است که در روش دسته‌بندی متغیر هدف، مقادیری گسسته دارد اما در مورد روش پیش ­بینی مقادیر هدف پیوسته­اند [۱].
از مدل­های رایج در زمینه پیش ­بینی می­توان به رگرسیون^[۸۸] اشاره نمود. رگرسیون خطی و منطقی از پرکاربردترین روش‌های رگرسیون­اند. رگرسیون خطی رویکردی برای مدل‌سازی رابطه بین متغیرهای اسکار Y و متغیرهای پیش ­بینی کننده X است.
امروزه برای مدل‌سازی روابط غیرخطی و پیچیده بین متغیرهای ورودی خروجی از روش­هایی مانند شبکه عصبی استفاده می­ شود.
۲-۸-۵-۵- خوشه‌بندی^[۸۹]
خوشه‌بندی یا گروه­بندی، تقسیم اقلام موجود در یک مجموعه داده است که به طور طبیعی با هم شباهت دارند. داده­هایی که با این معیار به صورت خوشه­هایی تفکیک می­گردند، با داده‌های موجود در خوشه­ای که در آن قرار می­گیرند، بیشترین شباهت را دارند؛ و با داده‌های موجود در سایر خوشه‌ها متفاوت­اند.
در خوشه‌بندی موضوعات زیر مورد توجه است:

• چه تعداد از خوشه‌ها می ­تواند دانش نهفته در داده‌ها را کشف نماید؟ مسئله تعداد خوشه‌ها معمولاً به صورت جداگانه مورد بررسی قرار می­گیرد.

• معیارهای شباهت و تفاوت داده‌ها چیست؟ این معیارها خود به واسطه روش‌های مختلفی محاسبه می­گردد، اما در بیشتر روش‌های خوشه‌بندی موجود از معیار فاصله فضایی دو داده از یکدیگر، استفاده می­ شود. فاصله فضایی می ­تواند با روش‌های مختلفی چون فاصله اقلیدسی^[۹۰]، فاصله مینکوفسکی^[۹۱] و یا فاصله مانهاتان^[۹۲] محاسبه شود.

• بعد از تعیین تعداد خوشه‌ها و معیار شباهت یا فاصله داده‌ها، داده‌ها با بهره گرفتن از چه روشی در تعداد خوشه­های معین جای گیرند [۱۱].

خوشه‌بندی یک الگوریتم بدون ناظر^[۹۳] در داده‌کاوی است، زیرا هیچ صفتی منفردی برای هدایت فرایند Training استفاده نمی­ شود و همه صفات ورودی ارزش یکسان دارند [۲].
تفاوت این روش با طبقه ­بندی در این است که در طبقه‌بندی هر داده به یک طبقه (کلاس) از پیشین مشخص شده تخصیص می‌یابد ولی در خوشه‌بندی هیچ اطلاعی از کلاس­های موجود درون داده‌ها وجود ندارد و به عبارتی خود خوشه‌ها نیز از داده‌ها استخراج می‌شوند.
به طور خاص در صنعت بانکداری از الگوریتم‌های خوشه‌بندی در بخش‌بندی مشتریان به گروه ­های مشخص بر طبق الگوهای رفتاری آن­ها کاربرد دارد. شناسایی گروه ­های مشتریان بسیار برای بانک حائز اهمیت بوده و می ­تواند در تصمیم ­گیری­های کنونی و اتخاذ راهبردهای میان­مدت و بلندمدت بانک راهگشا باشد.
۲-۸-۵-۵- انواع خوشه‌بندی
امروزه الگوریتم‌های متنوعی در زمینه خوشه‌بندی معرفی شده ­اند. این الگوریتم­ها به طور کلی به سه دسته تقسیم می­شوند [۱]:
۱- خوشه‌بندی سلسله‌مراتبی^[۹۴]
در این نوع خوشه‌بندی خوشه‌ها به صورت متوالی به دو شیوه انباشتی^[۹۵] و یا تقسیم­کنندگی^[۹۶] توسعه می­یابند. در روش انباشتی، هر یک از نقاط به عنوان خوشه در نظر گرفته شده و سپس خوشه­های مشابه باهم ادغام می­گردند. در شیوه تقسیم­کنندگی در ابتدا کل داده‌ها به عنوان یک خوشه در نظر گرفته شده و تقسیمات متوالی تا رسیدن به تعداد مناسب خوشه‌ها ادامه می­یابد.
۲- خوشه‌بندی مبتنی بر مدل^[۹۷]