WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Scoring crédit: une application comparative de la régression logistique et des réseaux de neurones

( Télécharger le fichier original )
par Fred NTOUTOUME OBIANG-NDONG
Université Cheikh Anta Diop (UCAD) - Master Methodes Statistiques et Econometriques 2006
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

2.3.2) Les paramètres

§ La fonction de transfert de la première couche est logsigmoïde, la fonction de transfert de la deuxième couche est la fonction linéaire. Ces fonctions permettent, dans une architecture de taille suffisante, d'ajuster parfaitement toute fonction comprenant un nombre fini de discontinuités.

§ L'apprentissage a été réalisé par rétropropagation de l'erreur. De façon à éviter les minima locaux dans la surface d'erreur, nous avons utilisé un taux d'apprentissage variable et un moment. L'avantage des réseaux multicouches à rétropropagation réside dans leur faculté d'être très peu restrictifs quant à la fonction à réaliser et d'être des estimateurs très faiblement biaisés.

Les paramètres d'apprentissage du réseau sont les suivants :

- Coefficient d'apprentissage : 0,1 0

- Momentum : 0,5

- Temperature de fonction sigmoide : 0,5

§ Trois critères peuvent être utilisés pour définir l'arrêt de l'apprentissage (Asselin de Beauville et Zollinger, 1995) :

1- un seuil d'erreur quadratique cumulée en sortie du réseau : S.S.E.;

2- un nombre d'itérations préfixées ;

3- un seuil de taux d'efficacité du réseau sur la base d'apprentissage.

Nous avons fixé la fin de l'apprentissage à une valeur d'erreur de 0.01, critère numéro 1, à défaut à un nombre défini d'itérations : 10 000, selon le critère numéro 2

2.3.3) Apprentissage et généralisation

Deux tests différents ont été menés, l'un sur les défaillances à un an, l'autre sur les défaillances à deux ans et trois ans. Dans chacun des deux cas, le nombre d'entreprises défaillantes a été partagé en deux, une moitié pour l'apprentissage du réseau et une moitié pour la phase de généralisation.

Durant la phase d'apprentissage, le caractère « mauvais payeur » ou « bon payeur » était donné au réseau et les poids des neurones s'ajustaient au fur et à mesure des itérations. Puis les poids des neurones ont été figés et nous avons vérifié les performances du réseau. Nous avons présenté au réseau la moitié des entreprises défaillantes qui n'a pas été retenue pour la phase d'apprentissage. Pour que le test soit complet, nous avons présenté au réseau à la fois des entreprises défaillantes et des entreprises non défaillantes et nous avons relevé le nombre d'entreprises pour lesquelles le réseau réalisait un diagnostic exact

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Je ne pense pas qu'un écrivain puisse avoir de profondes assises s'il n'a pas ressenti avec amertume les injustices de la société ou il vit"   Thomas Lanier dit Tennessie Williams