نمره دهی اعتباری مشتری اغلب به عنوان یک وظیفه ی دسته بندی که در آن مشتریان وضعیت خوب یا بد می گیرند، در نظر گرفته می شود. با توجه به محدودیت منابع مالی در اختیار بانک ها، ارزیابی اعتباری مشتریان پیش از اعطای تسهیلات یکی از مهمترین چالش ها در سیستم بانکی است. با بهره گیری از تحلیل اطلاعات مربوط به مشتریان با استفاده از الگوریتم های داده کاوی و هوش مصنوعی می توان بدون قضاوت شخصی به ارزیابی اعتباری متقاضیان تسهیلات پرداخت. یک گام مهم در جهت توسعه ی مدل های دقیق دسته بندی مالی، انتخاب ویژگی است که اغلب بر اساس قضاوت ذهنی کارشناسان انجام می گیرد. با این حال، الگوریتم های انتخاب ویژگی خودکار می-توانند کمک بزرگی برای تصمیم گیرندگان اعتباری باشند. این تحقیق از هر دو روش انتخاب ویژگی، حلقه باز و حلقه بسته، که دقت دسته بندی کننده های شبکه عصبی را بهبود می دهند، استفاده می کند. انتخاب یک الگوریتم مناسب برای آموزش شبکه عصبی بسیار مهم است. عموماً از الگوریتم های پس انتشار در آموزش شبکه های عصبی استفاده می شود. الگوریتم های آموزش پس-انتشار، از اطلاعات گرادیان نزولی برای کاهش خطاهای خروجی استفاده می کنند. در حالی که این الگوریتم ها ثابت می کنند که در آموزش انواع زیادی از ساختارهای شبکه عصبی بسیار قوی و موثر هستند، از برخی اشکالات جدی همچون همگرایی کند و گیر افتادن در مینیمم محلی رنج می برند. این تحقیق الگوریتم رقابت استعماری را برای آموزش شبکه عصبی پرسپترون چندلایه، به منظور بهبود قدرت پیش بینی مدل های نمره دهی اعتباری ارائه می دهد. تعداد نرون ها در لایه ی میانی شبکه پرسپترون تأثیر زیادی بر روی عملکرد این شبکه ها دارد. از اینرو، جهت بدست آوردن تعداد نرون های بهینه، شبکه عصبی به ازای تعداد نرون های متفاوت در لایه ی میانی خود مورد اجرا و آموزش قرار گرفت و تعداد نرون های بهینه بر اساس کمترین میزان میانگین مربعات خطا انتخاب شدند. یکی از معیارهای مهم در سیستم های اعتبارسنجی میزان خطای نوع دوم می باشد. بدین منظور، با استفاده از منحنی مشخصه عملکرد سیستم، بهترین نمره ی برش را جهت تفکیک مشتریان خوب و بد و در نتیجه کاهش خطای نوع دوم بدست آید. از ماشین بردار پشتیبانی و درخت تصمیم به عنوان سایر تکنیک های دسته بندی جهت مقایسه و ارزیابی مدل ارائه شده استفاده شد. نتایج نشان داد مدل شبکه عصبی بر سایر تکنیک ها برتری داشته و رویکرد رقابت استعماری برای آموزش مدل های شبکه عصبی، از عملکرد بهتری نسبت به روش های پس انتشار برخوردار است.