Techniques De Machine Learning

Résumé: Chaque pays se base sur des secteurs moteurs de son économie, et la banque est l'un de ces secteurs. Pour une banque, le crédit est l'activité qui génère un gain ou bien une perte en cas de son non remboursement. Pour cela, aujourd'hui les banques cherchent un système financier qui assure la rentabilité de son activité. Donc elles visent à disposer d'un modèle de gestion de risque avec le plus de précision possible. Le crédit Scoring est une méthode qui évalue le niveau de risque associé à un crédit et prédit la solvabilité d'un demandeur pour ce crédit. Selon les caractéristiques de ce client, il sera classé par le modèle comme " bon payeur " ou " mauvais payeur ". L'apprentissage automatique (Machine Learning-ML) est un sous-domaine de l'intelligence artificielle (IA) désignant l'ensemble de techniques/algorithmes capables d'apprendre à résoudre un problème, depuis les données, sans être explicitement programmés. Dans le cadre de ce mémoire, nous proposons la construction d'un modèle de crédit Scoring par la présentation d'une étude comparative entre un ensemble de modèles d'apprentissage d'ensemble, dans le but d'identifier le meilleur d'entre eux. Nous appliquons les modèles développés sur des données de crédit Scoring. Il y a eu très peu, voire aucune, étude pour les modèles d'apprentissage d'ensemble (les méthodes d'ensemble) sur des données de crédit scoring, nous espérons donc que cette étude comblera cette lacune. Pour cela, nous avons utilisé une méthode d'apprentissage d'ensemble " Stacking ". Et pour la validation et la comparaison de la qualité des modèles obtenus, nous avons utilisé une matrice de confusion et un courbe ROC.

Publié dans la revue: