SOLDES
Jusqu'à -70% sur une sélection d'articles*
Intelligence artificielle et modélisation du risque de crédit
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format PDF est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- Nombre de pages260
- FormatPDF
- ISBN978-2-14-031175-8
- EAN9782140311758
- Date de parution24/07/2023
- Protection num.Digital Watermarking
- Taille11 Mo
- Infos supplémentairespdf
- ÉditeurL'Harmattan
Résumé
Le risque de crédit est au c?ur 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.
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.