RESUME
A PROPOS
La Revue Africaine d’Environnement et d’Agriculture est placée sous l’autorité scientifique du Comité de Rédaction
et sous l’autorité administrative des ASBL CABD (Centre d’Assistance des Communautés de Base pour le Développement Durable),
GERADIB (Groupe d’Etudes et de Recherches Agropastorales pour le Développement de Bandundu) et SOFT AFRICA.
Utiliser cet identifiant pour créer un lien vers cet article :
https://?pages=article&id=312| Titre : | Apprentissage artificiel basé sur la combinaison des classifieurs automatiques par vote majoritaire pour la prédiction de clients crédibles dans le secteur bancaire |
| Auteur(s): | Armel Mbenza Makiadi Oumar, Rebecca Raïssa Baketi, Christian Kilikwa, Fidèle Lukelwa Lubela, Gloria Thsibola Kabeya, Denis Kutelama, Maria Amisi Mstayabu, Pierre Kafunda Katalay |
| Mots-clés: | Classifieur, vote majoritaire, combinaison, prêt, banque. |
| Date de publication | 2025-03-29 14:39:27 |
| Resumé : | Description du sujet. Le secteur bancaire accorde une grande importance à la préservation des clients en raison
de la prédominance des modes de gestion axées sur la "relation client" en assistant le banquier dans sa quête de
clients fiables.
Objectifs. L’étude vise à anticiper le risque de remboursement de crédit des futurs emprunteurs de la banque afin de ne donner le crédit qu'aux emprunteurs forts potentiels, qui sont considérés comme des clients fiables. Méthodes. La prédiction a été effectuée en utilisant des classifieurs automatiques ainsi que l'approche de vote majoritaire qui impliquent la fusion de plusieurs classifieurs de manière autonome afin d'obtenir le classement automatique d'un nouvel individu en utilisant une fonction mathématique qui relie le jeu de données de départ à un ensemble de classes d'arrivée. Résultats. Les résultats obtenus ont montré que 70 % des cas traités sont des dossiers de prêt satisfaisants, en raison de variables explicatives qui présentent une répartition de données sur la variable d'intérêt (Risque). Les dossiers de prêt non satisfaisants constituent le pourcentage restant, soit 30 %. Conclusion. Les performances des systèmes de classification automatique sont considérablement améliorées par la combinaison de classifieurs. Ce dispositif intelligent apporte un éclaircissement aux banques concernant les décisions de donner ou non des prêts aux emprunteurs. |
| Editeur : | RAFEA |
| DOI : |
https://dx.doi.org/10.4314/rafea.v8i1.13 |
Document pour cet article:
| Fichier | Description | Taille | Format | |
|---|---|---|---|---|
| ARTICLE-RAFEA | OPEN ACCESS | 635 ko | Adobe PDF | Lire article |