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

3.2. La fixation des paramètres du réseau

Pour mémoire, nous rappelons que 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. Nous avons admis deux couches cachées, en sus de la couche d'entrée et de la couche de sortie. Les paramètres d'apprentissage du réseau sont les suivants :

- Coefficient d'apprentissage : 0,1 0

- Momentum : 0,5

- Température de fonction sigmoïde : 0,5

Figures 12: Procédure de fixation des paramètres du modèle neuronal sous SPAD

Source : Recherche de Fred Ntoutoume, Crefdes, 2007

3.3. Les résultats de la modélisation par réseaux de neurones

La modélisation du risque de crédit à des fins de prédiction par rétropropagation de gradient de l'erreur, sur réseaux neuronaux, nous fournit les résultats suivants :

Tableau 28: Matrice de confusion avec marge

(avec 2 neurones dans la 2e couche cachée)

DISCRIMINANTE NEURONALE A N GROUPES

INFORMATION SUR LE RESEAU UTILISE

ROLE DES INDIVIDUS ACTIFS : APPRENTISSAGE

NOMBRE DE COUCHES CACHEES : 2 COUCHES

NOMBRE DE NEURONES PAR COUCHE CACHEE

COUCHE 2 : 18

COUCHE 3 : 2

COEFFICIENT D'APPRENTISSAGE : 0.10000

MATRICE DE CONFUSION AVEC MARGES

EN LIGNE : Ce client a til remboursé integralement son credit au plus 3

EN COLONNE : CLASSES DE SORTIE

+----------------------+------+------+------+

| |CLA 1|CLA 2| ENS |

+----------------------+------|------|------|

| oui | 29 | 7 | 36 |

| non | 18 | 158 | 176 |

+----------------------+------+------+------+

| ENSEMBLE | 47 | 165 | 212 |

+----------------------+------+------+------+

Source : Recherche de Fred Ntoutoume, Crefdes, 2007

La matrice des confusions calculée sur les données d'apprentissage permet de mesurer le taux d'erreurs, ou taux de mauvais classement. A la lumière des résultats observés dans le tableau ci-dessus, nous constatons que les performances prédictives du modèle neuronal ne sont pas assez satisfaisantes. En effet, la proportion d'individus orientés vers la bonne classe de sortie est de l'ordre de 88,21%, c'est-à-dire en deçà des 90%, seuil tolérable au grand maximum. Le tableau de pourcentages des biens classés indique dans le détail, que les « mauvais payeurs » classés par erreur chez les « bon payeurs » est supérieur à 1/10 (cf tablau ci-dessous).

Tableau 29: Performances de classement du réseau de neurones

(avec 2 neurones dans la 2e couche cachée)

POURCENTAGE DE BIEN CLASSES

+----------------------+---------+---------+---------+---------+---------+

| | BIEN | MAL | | %BIEN | |

| | CLASSES | CLASSES | TOTAL | CLASSES | PURETE |

+----------------------+---------+---------+---------+---------+---------+

| oui | 29 | 7 | 36 | 80.56 | 61.70 |

| non | 158 | 18 | 176 | 89.77 | 95.76 |

+----------------------+---------+---------+---------+---------+---------+

| TOTAL | 187 | 25 | 212 | 88.21 | 88.21 |

+----------------------+---------+---------+---------+---------+---------+

Source : Recherche de Fred Ntoutoume, Crefdes, 2007

Compte tenu de ces premiers résultats relativement insuffisants, nous nous proposons de réajuster la structure du réseau, afin d'améliorer les performances prédictives. Nous pouvons opter soit pour l'ajout d'une couche supplémentaire, soit pour l'ajustement d'une couche déjà existante. La première solution a cependant l'inconvénient de complexifier d'avantage le réseau. Nous choisissons la seconde option, moins coûteuse.

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








"Nous voulons explorer la bonté contrée énorme où tout se tait"   Appolinaire