به طور سنتی، بانک‌ها از مدل‌های استاتیک برای مدل سازی الگوهای ریسک اعتباری استفاده می‌کردند، اما عوامل اقتصادی مستقل از نوسانات سیاسی نیستند و با تغییر فضای سیاسی، محیط اقتصادی نیز با آن متحول می‌شود. این امر به ویژه در ایران پس از تحریم‌های 2008-2016 ایالات متحده مشهود است، زیرا بسیاری از مشتریان قابل اعتماد قبلی قادر به بازپرداخت بدهی خود نبودند (یعنی مشتریان بدی شدند) و لازم است مدلهای پویا که بتواند عوامل متغیر سیاسی-اقتصادی را در خود جای دهد، ایجاد شود که می‌توان مدلهای ترکیبی برای ارزیابی ریسک اعتباری جهت طبقه بندی مشتریان بانکی مبتنی بر الگوریتم طبقه بندی و الگوریتم های تکاملی پیشنهاد داد. مدل می‌تواند دارای دو مرحله باشد که مرحله اول کار، پیش پردازش داده‌ها (جهت رفع نقض داده‌ها) مبتنی بر عملکرد انتخاب ویژگی باشد، یعنی از بین ویژگی‌های موجود در مجوعه داده ویژگی‌های مناسب انتخاب شود (‌این بخش برای کاهش بعد و بهبود کیفیت داده است. مرحله دوم سیستم پیشنهادی نتیجه کار و خروجی اصلی سیستم پیشنهادی یعنی طبقه‌بندی مشتریان است که به دو دسته تقسیم می‌شوند، یعنی افرادی که واجد شرایط وام گرفتن هستند و افرادی که واجد شرایط وام گرفتن، نیستند، که از تکنیک طبقه‌بندی مناسب می‌توان در این قسمت استفاده کرد. در واقع هدف اصلی این مرور پیشنهاد مدل‌هایی برای پیش‌بینی و ارزیابی ریسک اعتباری جهت طبقه‌بندی مشتریان بانکی مبتنی بر یادگیری ماشین و الگوریتم های تکاملی است.