- EAN13
- 9782140311758
- Éditeur
- Éditions L'Harmattan
- Date de publication
- 24/07/2023
- Collection
- L'esprit économique
- Langue
- français
- Fiches UNIMARC
- S'identifier
Intelligence artificielle et modélisation du risque de crédit
Karim Amzile
Éditions L'Harmattan
L'esprit économique
Livre numérique
Autre version disponible
-
Papier - L'Harmattan 29,00
Le risque de crédit est au cœur des préoccupations des emprunteurs. Dans une
économie imprévisible et incertaine, les individus, les ménages, les
entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des
traites à rembourser… de la charge de la dette. L'intelligence artificielle
peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur
étudie, évalue et éclaire la performance de plusieurs méthodes basées sur
l'intelligence artificielle dans la modélisation du risque de crédit. Pour ce
faire, une variété de méthodes classiques et modernes ont été comparées en
termes de capacité à prédire la solvabilité des clients bancaires. Parmi ces
méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT),
la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les
machines à vecteurs de support (SVM) et Naïve Bayes (NB). À l'issue de cette
étude, les performances de chaque modèle ont été comparées en utilisant des
métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la
précision et d'autres ratios d'erreur issus de la matrice de confusion.
économie imprévisible et incertaine, les individus, les ménages, les
entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des
traites à rembourser… de la charge de la dette. L'intelligence artificielle
peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur
étudie, évalue et éclaire la performance de plusieurs méthodes basées sur
l'intelligence artificielle dans la modélisation du risque de crédit. Pour ce
faire, une variété de méthodes classiques et modernes ont été comparées en
termes de capacité à prédire la solvabilité des clients bancaires. Parmi ces
méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT),
la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les
machines à vecteurs de support (SVM) et Naïve Bayes (NB). À l'issue de cette
étude, les performances de chaque modèle ont été comparées en utilisant des
métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la
précision et d'autres ratios d'erreur issus de la matrice de confusion.
S'identifier pour envoyer des commentaires.