ارایه ی مدل بهبودیافته ی lrfm به جهت خوشه بندی مشتریان بانک ها بر مبنای الگوریتم ژنتیک

خوشه‌بندی 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 گروهبندی 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 ویژگیهای 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. پیاده‌سازیهای 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.

Modified LRFM in order to Bank Customer Clustering based on Genetic Algorithm

AbstractClustering is a common method for analyzing various data that is used in many fields, including statistical pattern recognition, machine learning, data mining, image analysis, and bioinformatics. Clustering The process of grouping objects similar to different groups, or more precisely, partitioning and dividing a set of data, into separate subcategories, the main point of which is not to be specific. The number of classes is in clustering. One of its most widely used uses is in the field of data, the clustering of which is performed by experts in taste. Bank customer clustering has been a challenge from the beginning, and it has been difficult to find consensus among experts to select a feature for grouping.This dissertation seeks to provide a solution for dynamic clustering of bank customers. This clustering will be based on a genetic algorithm and will decide on the number of categories, members of each category, and the similarity criteria used. The dynamics of the method are based on the improvement of the LRFM method using the genetic algorithm. In other words, the genetic algorithm will try to find different information fields about the bank’s customers in the database; Put the right fields next to the features used in the LRFM method and get better results for clustering the bank’s customers. This process leads to the determination of the criterion of similarity of one customer with another customer and the degree of similarity between them.