Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Dimension: px
Commencer à balayer dès la page:

Download "Le Data Mining au service du Scoring ou notation statistique des emprunteurs!"

Transcription

1 France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n du 5 Juillet 1988 portant adoption d une recommandation relative à la gestion des crédits ou des prêts consentis à des personnes physiques par les établissements de crédit : "Conformément à l article 2 de la loi du 6 janvier 1978, aucune décision accordant ou refusant un crédit ne peut avoir pour seul fondement un traitement automatisé d informations donnant une définition du profil ou de la personnalité de l intéressé." Même si le risque bancaire n est qu une partie du processus de décision, la modélisation existe et de nombreuses méthodes statistiques progressent toujours pour mieux évaluer les risques. La première différence entre le Data Mining et la statistique classique est la taille des données à notre disposition. En général, nous disposons de plusieurs milliers de dossiers se partageant entre des individus à risque de défaut de paiement et les bons payeurs. La technique de Data Mining applique généralement une première recherche de redondance des données basée sur différentes méthodes comme la valeur seuil d un coefficient de corrélation établi ici à 0,8 entre les variables à modéliser Une autre étape tout aussi importante est de constituer un échantillon aléatoire en équilibrant les deux groupes des bons et mauvais payeurs (50% de chaque) pour permettre une bien meilleure, sinon optimale modélisation puisque le groupe minoritaire des mauvais payeurs est souvent sous représenté! Il suffira de garder les proportions estimées pour les calculs des probabilités a posteriori.

2 La modélisation employée dans l outil pas à pas de STATISTICA Data Miner Plus permet d opérer automatiquement une étude comparative des modèles sélectionnés. Et de faire apparaitre les taux d erreurs de chaque modèle sur l échantillon d apprentissage. Après le taux d erreur de classification, nous allons calculer l espérance du coût de mauvaise classification sur l échantillon de validation cette fois. En effet, il arrive que certains types d erreur soient plus coûteux que d autres. Dans ce cas, il faut calculer une estimation du coût (ou des bénéfices) occasionné par les erreurs de notre modèle. Dans la réalité, l organisme de prêt estime, qu en moyenne, accepter une personne qui ne rembourse pas correctement son prêt du montant emprunté occasionnera une perte approximative de (0.4 * Montant Emprunté) et donc (gain = 0.4 * Montant Emprunté ), ce qui se révèle catastrophique. L organisme financier a en effet sous-estimé très largement la proportion de personnes qui ne remboursent pas leur emprunt. En revanche, une personne qui rembourse correctement son prêt fournit un bénéfice de (0.14 * Montant Emprunté), et donc (gain = * Montant Emprunté ). Personnalisons donc les coûts engendrés par les mauvais payeurs et les bons payeurs afin de comparer les modèles entre eux sur les coûts engendrés par les mal classés.

3 Les Réseaux de Neurones constituent le meilleur modèle de ce point de vue. En vérifiant les pourcentages de bien classés entre ce modèle et les Boosting d arbres, nous observons sur l échantillon de Validation que 50 bons payeurs observés auraient été rejetés pour les Réseaux de Neurones contre 35 pour les Boosting et 19 mauvais payeurs auraient pu être considérés comme des bons payeurs dans les Réseaux de neurones contre 36 pour les Boosting : Soit 50* *0.4 = 14.6 pour les Réseaux de Neurones contre 35* *0.4=19.3 Enfin, nous allons utiliser un autre élément comparateur de modèles par l intermédiaire des courbes de Lift et ROC pour exprimer différemment les classements de modèles. La similitude avec la courbe LIFT est tentante, mais la lecture et l interprétation de la courbe ROC est totalement différente. Le lien entre la matrice de confusion et la courbe ROC est illustré ci-dessus où, au seuil de 0,5 (115/217=53%), la sensibilité du modèle des Boosting d Arbres vaut 79/114=69,30% et sa spécificité vaut 67/103=65,05%. La courbe ROC correspond donc à la matrice de confusion définie par une certaine valeur de seuil. L indice de Gini est un nombre variant de 0 à 1, où 0 signifie l'égalité parfaite (il y a autant de bons que de mauvais payeurs) et 1 signifie l'inégalité totale (une personne est solvable, les autres ne le sont pas). Entre 0 et 1, l'inégalité est d'autant plus forte que l'indice de Gini est élevé. Ici l égalité est plus marquée pour les Boosting d arbres (47/53) que pour les réseaux de Neurones (62/38)!

4 La courbe ROC représente la probabilité d'avoir raison en affirmant que la personne est non solvable en fonction de la probabilité d'affirmer à tort que la personne est non solvable. La sensibilité est la proportion des déclarés solvables parmi les solvables (VP/(VP+FN)), et la spécificité (VN/(VN+FP)) la proportion des déclarés non solvables parmi les non solvables. Le point de la courbe le plus proche du coin supérieur gauche du carré contenant la courbe est celui qui permet d'obtenir un bon compromis entre sensibilité et spécificité. L aire sous la courbe indique la probabilité pour que la fonction SCORE place un positif devant un négatif (dans le meilleur des cas l aire sous la courbe = 1). Si SCORE classe au hasard les individus (c.-à-d. le modèle de prédiction ne sert à rien), l aire sous la courbe = 0.5, symbolisée par la diagonale principale dans le graphique. Donc, on peut dire ici qu il y a 69% de chances qu un Bon payeur observé dans la réalité soit déclaré Bon payeur par le modèle des Réseaux de Neurones et seulement 67% pour les Boosting d arbres! On peut dire ici que ces modèles sont un tout petit plus performant qu un modèle aléatoire à 50% La courbe de Lift est une variante de la courbe ROC, elle représente la proportion des événements détectés, c'est-à-dire la sensibilité, en fonction de la proportion des individus sélectionnés, c est-à-dire ayant un score Bon ou Mauvais. Nous allons nous concentrer sur les Bons payeurs. Dans cet exemple, la variable Dossier de Prêt est la variable binaire cible (Bon ou Mauvais), et la courbe de lift montre les bonnes réponses (axe Y) relative à la population entière (axe X). Nous voyons que dans 30 % de la population globale pour les Réseaux de Neurones et Boosting d Arbres, on a plus 50% de chances (lift de 1,5 en moyenne entre les trois premiers déciles) d appartenir au groupe des bons payeur que par pur hasard.

5 Typiquement, le lift peut être compris comme le ratio de deux pourcentages: le pourcentage des classifications positives correctes réalisées par le modèle sur le pourcentage des classifications positives actuelles dans les données de test. Par exemple, si 40% des clients d une enquête marketing ont répondu favorablement (la classification positive) à une campagne promotionnelle dans le passé et le modèle prévoit 75% de réponses positives correctes, le lift serait obtenu en divisant 0,75 par 0,40. Le lift résultant serait 1,875. Le Lift est habituellement utilisé pour mesurer la performance des modèles de réponse. Le but d un modèle de réponse est d identifier les segments de population avec les concentrations les plus élevées de réponses positives à une campagne marketing. Le lift donne la quantité de population à solliciter pour obtenir le pourcentage le plus élevé de réponses potentielles.

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Les Réseaux de Neurones avec

Les Réseaux de Neurones avec Les Réseaux de Neurones avec Au cours des deux dernières décennies, l intérêt pour les réseaux de neurones s est accentué. Cela a commencé par les succès rencontrés par cette puissante technique dans beaucoup

Plus en détail

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de

Plus en détail

Modèles STATISTICA Scorecard

Modèles STATISTICA Scorecard Modèles STATISTICA Scorecard La maîtrise des risques bancaires est un enjeu important érigée par les derniers accords de Bâle II. Rappelons que désormais, les exigences en fonds propres sont calculées

Plus en détail

Construire la courbe LIFT. Ricco RAKOTOMALALA. Ricco Rakotomalala Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1

Construire la courbe LIFT. Ricco RAKOTOMALALA. Ricco Rakotomalala Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 Construire la courbe LIFT Ricco RAKOTOMALALA Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 L exemple du publipostage pour la promotion d un produit Objectif : promouvoir un produit Rôle

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Evaluation d un test diagnostique - Concordance

Evaluation d un test diagnostique - Concordance Evaluation d un test diagnostique - Concordance Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Evaluation

Plus en détail

V ERSION EXPERIMENTALE

V ERSION EXPERIMENTALE V ERSION EXPERIMENTALE Cette version de Sipina v 3.0 n est pas, et ne sera jamais, définitive, elle sert d outil de recherche, elle a plus une vocation d outil d expérimentation que de logiciel dédié au

Plus en détail

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013 ENSEIGNEMENT ET MONDE PROFESSIONNEL Illustration d un lien fort au travers d un cours de scoring Jean-Philippe KIENNER 7 novembre 2013 CONTEXTE Une bonne insertion professionnelle des étudiants passe par

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Projet OAD Crédit-Scoring Deutsche Bank

Projet OAD Crédit-Scoring Deutsche Bank Année scolaire 2009/2010 Projet Modélisation de 3 ème année Projet OAD Crédit-Scoring Deutsche Bank Réalisé par : Guillaume BARANES-BERREBI Manon ROUSSEAU Sous la direction de Farid BENINEL Guillaume BARANES-BERREBI

Plus en détail

Points méthodologiques Adapter les méthodes statistiques aux Big Data

Points méthodologiques Adapter les méthodes statistiques aux Big Data Points méthodologiques Adapter les méthodes statistiques aux Big Data I. Répétition de tests et inflation du risque alpha II. Significativité ou taille de l effet? 2012-12-03 Biomédecine quantitative 36

Plus en détail

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante.

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Essai de détermination du nombre de prélèvements à effectuer lors d un diagnostic amiante afin d assurer une représentativité

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Échantillonnage et estimation Dans ce chapitre, on s intéresse à un caractère dans une population donnée dont la proportion est notée. Cette proportion sera dans quelques cas connue (échantillonnage),

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining GUIDE DU DATA MINER Scoring - Modélisation Data Management, Data Mining, Text Mining 1 Guide du Data Miner Scoring - Modélisation Le logiciel décrit dans le manuel est diffusé dans le cadre d un accord

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009 Entrer par les problèmes en probabilités et en statistique Équipe Académique Mathématiques - 2009 Quelle valeur ajoutée peut-on espérer d une entrée par les problèmes en probabilités? Donner du sens aux

Plus en détail

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

Plus en détail

Crédit Bureaux. des PME. Alger, le 12 mars 2009 Margherita GALLARELLO

Crédit Bureaux. des PME. Alger, le 12 mars 2009 Margherita GALLARELLO Le rôle des Crédit Bureaux pour l accès au crédit des PME 2009 Agenda L activité des Crédit Bureaux Sujets critiques pour les PME Crédit Bureaux: quels avantages pour les PME? Exemple d évaluation Conclusion

Plus en détail

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES SAS 3 DEC 2015 1 sur 9 TRANSAT Un voyagiste international solidement installé au Canada, en France et au Royaume-Uni, qui offre

Plus en détail

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011 Lot Quality Assurance Sampling LQAS Elise Naoufal EVARISQ 15 septembre 2011 1 LQAS Une question d efficacité? LQAS et santé Méthode et Fondements théoriques Détermination du couple (n,d n,d) Conclusion

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Plan de la séance 3 : Le risque de crédit (1) Les opérations de crédit Définition d un crédit La décision de crédit Les crédits aux petites

Plus en détail

Les critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage,

Les critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage, SYNTHÈSE DU CHAPITRE 11 : LA SEGMENTATION DE LA DEMANDE. La segmentation. La segmentation de la demande consiste à définir des groupes de clients (des segments de clientèle) ayant des comportements homogènes

Plus en détail

Master Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA

Master Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE

Plus en détail

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES 1 TABLE DES MATIERES TABLE DES MATIERES... 2 I PERCEPTRON SIMPLE... 3 I.1 Introduction... 3 I.2 Algorithme... 3 I.3 Résultats... 4 1er exemple

Plus en détail

septembre 2008 DataLab

septembre 2008 DataLab septembre 2008 DataLab Comment réaliser un score performant en quelques minutes DataLab, Logiciel distribué par AMABIS www.amabis.com Tel 01 45 36 45 00 Solutions d Optimisation du Marketing Un aperçu

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Le test triangulaire

Le test triangulaire Le test triangulaire Objectif : Détecter l absence ou la présence de différences sensorielles entre 2 produits. «les 2 produits sont-ils perçus comme différents?» Contexte : la différence sensorielle entre

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

Atradius Buyer Ratings

Atradius Buyer Ratings Atradius Buyer Ratings Le pouvoir de prévoir FAQ A. Questions générales 1. Que signifie le Buyer Rating? Le Buyer Rating d Atradius est un score statistique sur une échelle de 1 à 100 qui a été développé

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Le coût du crédit aux entreprises

Le coût du crédit aux entreprises Frédérique EDMOND Direction des Études et Statistiques monétaires Service des Analyses et Statistiques monétaires L enquête trimestrielle sur le coût du crédit aux entreprises est réalisée auprès d un

Plus en détail

Créer des modèles statistiques plus rapidement et facilement

Créer des modèles statistiques plus rapidement et facilement Créer des modèles statistiques plus rapidement et facilement Paris, 26 Septembre 2012 Sam Gardner Copyright 2010 SAS Institute Inc. All rights reserved. Questionnaire Comment définiriez vous votre niveau

Plus en détail

Evaluation des procédures diagnostiques. Objectifs pédagogiques. Faculté de Médecine Montpellier-Nîmes. Evaluation des procédures diagnostiques

Evaluation des procédures diagnostiques. Objectifs pédagogiques. Faculté de Médecine Montpellier-Nîmes. Evaluation des procédures diagnostiques Evaluation des procédures diagnostiques Objectifs pédagogiques Evaluer un signe, un examen, une décision médicale en calculant leur sensibilité et leur spécificité, leurs valeurs prédictives positives

Plus en détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET Phase 4 : Modélisation non-supervisée - 5 : Règles d association

Plus en détail

UNE COMPARAISON DE QUATRE TECHNIQUES D INFÉRENCE DES REFUSÉS DANS LE PROCESSUS D OCTROI DE CRÉDIT

UNE COMPARAISON DE QUATRE TECHNIQUES D INFÉRENCE DES REFUSÉS DANS LE PROCESSUS D OCTROI DE CRÉDIT UNE COMPARAISON DE QUATRE TECHNIQUES D INFÉRENCE DES REFUSÉS DANS LE PROCESSUS D OCTROI DE CRÉDIT Asma Guizani 1 & Besma Souissi 2 & Salwa Ben Ammou 3,4 & Gilbert Saporta 4 1 Institut Supérieur de Gestion

Plus en détail

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Baccalauréat ES Polynésie 7 juin 2013

Baccalauréat ES Polynésie 7 juin 2013 Baccalauréat ES Polnésie 7 juin 2013 EXERCICE 1 Cet exercice est un questionnaire à choix multiples. Pour chaque question, une seule des quatre réponses proposées est correcte. Une réponse juste rapporte

Plus en détail

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord EXERCICE 1 : 5 points On se place dans l espace muni d un repère orthonormé. On considère les points,, et. 1. Démontrer que les points,

Plus en détail

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015 Baccalauréat ES Nouvelle-Calédonie mars 015 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats On considère la fonction f définie pour tout réel x de l intervalle [1,5 ; 6] par : f (x)=(5x 3)e x. On

Plus en détail

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE 1 Définir le type de variable Dans notre cas, la variable est quantitative nominale. Note : Une variable est qualitative nominale quand

Plus en détail

Commun à tous les candidats

Commun à tous les candidats BACCALAURÉAT GÉNÉRAL SESSION 213 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Baccalauréat STMG Polynésie 17 juin 2014

Baccalauréat STMG Polynésie 17 juin 2014 Baccalauréat STMG Polynésie 17 juin 2014 Durée : 3 heures EXERCICE 1 Cet exercice est un Q.C.M. 4 points Pour chaque question posée, quatre réponses sont proposées parmi lesquelles une seule est correcte.

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Ce qu est le Data Mining

Ce qu est le Data Mining Data Mining 1 Ce qu est le Data Mining Extraction d informations intéressantes non triviales, implicites, préalablement inconnues et potentiellement utiles à partir de données. Autres appellations: ECD

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES

REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES DOSSIER DE PRESSE FICHE 1 Une réforme pour réduire le coût des crédits renouvelables et

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

...5 1.1 Description...5. 1.0 Introduction...5....5 1.2 Conditions d utilisation...5....5 1.3 Pour ouvrir le module...5

...5 1.1 Description...5. 1.0 Introduction...5....5 1.2 Conditions d utilisation...5....5 1.3 Pour ouvrir le module...5 Guide de l utilisateur Module d extraction de coefficients de variation Enquête sur les changements à l égard de l emploi Cohortes 1 à 10 Table des matières 1.0 Introduction...5...5 1.1 Description...5...5

Plus en détail

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 22 Novembre 2013 - Valérie Rousvoal Direction Etudes Commerciales Sommaire de la rencontre Présentation de la Caisse d épargne Rhône Alpes Présentation

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

L essentiel sur. Le crédit à la consommation

L essentiel sur. Le crédit à la consommation L essentiel sur Le crédit à la consommation Prêt personnel Prêt affecté Crédit renouvelable Qu est ce que c est? Le crédit à la consommation sert à financer l achat de biens de consommation (votre voiture,

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Protection des données personnelles et refus de crédit

Protection des données personnelles et refus de crédit GUIDE PRATIQUE Protection des données personnelles et refus de crédit ÉDITION 03/2003 Sommaire PRÉSENTATION page 2 VÉRIFIER QUE VOUS N ÊTES PAS FICHÉ A LA BANQUE DE FRANCE page 3 LES EXPLICATIONS POSSIBLES

Plus en détail

Épreuve de mathématiques Terminale ES 200 minutes

Épreuve de mathématiques Terminale ES 200 minutes Examen 2 Épreuve de mathématiques Terminale ES 200 minutes L usage de la calculatrice programmable est autorisé. La bonne présentation de la copie est de rigueur. Cet examen comporte 7 pages et 5 exercices.

Plus en détail

Construction à partir d une régression logistique

Construction à partir d une régression logistique Construction à partir d une régression logistique Ricco RAKOTOMALALA Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 PLAN 1. Position du problème Grille de score?

Plus en détail

Méthodes de DM pour la GRC dans les banques

Méthodes de DM pour la GRC dans les banques Techniques de DM pour la GRC dans les banques Page 21 III.1 Introduction Avant de chercher des techniques à appliquer dans la gestion des relations avec les clients. Il faut étudier les données des clients

Plus en détail

Octroi de crédit : la minimisation des risques de défaillance n'a pas le dernier mot

Octroi de crédit : la minimisation des risques de défaillance n'a pas le dernier mot Octroi de crédit : la minimisation des risques de défaillance n'a pas le dernier mot Aucun prêteur, c'est entendu, n'octroie de crédit à une personne qu'il ne considérerait pas comme potentiellement solvable.

Plus en détail

Correction du baccalauréat STMG Polynésie 17 juin 2014

Correction du baccalauréat STMG Polynésie 17 juin 2014 Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé

Plus en détail

Le data mining met en œuvre un ensemble de techniques issues des statistiques, de l analyse de données et de l informatique pour explorer les données.

Le data mining met en œuvre un ensemble de techniques issues des statistiques, de l analyse de données et de l informatique pour explorer les données. COURS DE DATA MINING 3 : MODELISATION PRESENTATION GENERALE EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET Phase 4 : Modelisation 1 Classement des techniques

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

PLAN. Les systèmes d'information analytiques. Exemples de décisions

PLAN. Les systèmes d'information analytiques. Exemples de décisions Les systèmes d'information analytiques Dr A.R. Baba-ali Maitre de conferences USTHB PLAN Le cycle de decision Les composants analytiques ETL (Extract, Transform and Load) Entrepot de (Data warehouse) Traitement

Plus en détail

Apprentissage statistique:

Apprentissage statistique: Apprentissage statistique: Arbre de décision binaire et Random Forest 1 Plan 1. Introduction 2. 3. Application à l apprentissage supervisé 4. Forêt Aléatoire (Random Forest) 2 1 Plan 1. Introduction 2.

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

Exercices : Probabilités

Exercices : Probabilités Exercices : Probabilités Partie : Probabilités Exercice Dans un univers, on donne deux événements et incompatibles tels que =0, et =0,7. Calculer,, et. Exercice Un dé (à faces) est truqué de la façon suivante

Plus en détail

Enquête sur l industrie des ser. vices de taxi et de limousine. Système de documentation des données statistiques Numéro de référence 4707

Enquête sur l industrie des ser. vices de taxi et de limousine. Système de documentation des données statistiques Numéro de référence 4707 Enquête sur l industrie des ser vices de taxi et de services limousine Système de documentation des données statistiques Numéro de référence 4707 Concepts Énoncé de la qualité des données Enquête unifiée

Plus en détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

Plus en détail

I La théorie de l arbitrage fiscal de la dette (8 points)

I La théorie de l arbitrage fiscal de la dette (8 points) E : «Théories de la finance d entreprise» Master M1 Université Paris-Dauphine Thierry Granger Année Universitaire 2013/2014 Session 1 Aucun document, calculette autorisée Durée 1h30 Respecter la numérotation

Plus en détail

BACCALAURÉAT GÉNÉRAL Hiver 2015

BACCALAURÉAT GÉNÉRAL Hiver 2015 BACCALAURÉAT GÉNÉRAL Hiver 2015 Épreuve : MATHÉMATIQUES Séries SCIENCES ÉCONOMIQUES ET SOCIALES, toutes spécialités LITTÉRAIRE, spécialité Mathématiques Classes TES1, TES2, TES3, TES ET TL1ES Durée de

Plus en détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs

Plus en détail

ANALYSE DU RISQUE DE CRÉDIT

ANALYSE DU RISQUE DE CRÉDIT ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque

Plus en détail

Guide de bonnes pratiques pour la rédaction des documents commerciaux

Guide de bonnes pratiques pour la rédaction des documents commerciaux Paris, le 23 mai 2008 Guide de bonnes pratiques pour la rédaction des documents commerciaux L AMF a initié au cours de l année 2008 un chantier portant sur l identification des pratiques en matière de

Plus en détail

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Savoir Faire Excel Niveau 2 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Ce qu on sait faire Entrer et recopier des données numériques Les fonctions de base (somme, moyenne, nb, si) Faire

Plus en détail

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Direct Marketing Analysez le comportement de vos clients et améliorez vos campagnes marketing Points clés Avec SPSS Direct Marketing, vous pouvez : Mieux comprendre vos clients Améliorer vos campagnes

Plus en détail

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité 1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :

Plus en détail

Statistiques inférentielles : estimation

Statistiques inférentielles : estimation Statistiques inférentielles : estimation Table des matières I Estimation ponctuelle d un paramètre 2 I.1 Moyenne................................................ 2 I.2 Écart-type...............................................

Plus en détail

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 2ème Année 12-10-2011 Ce chapitre s appuie essentiellement sur deux ouvrages : «Les sondages : Principes et méthodes» de Anne-Marie Dussaix

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

CAC, DAX ou DJ : lequel choisir?

CAC, DAX ou DJ : lequel choisir? CAC, DAX ou DJ : lequel choisir? 1. Pourquoi cette question Tout trader «travaillant 1» sur les indices s est, à un moment ou un autre, posé cette question : «je sais que la tendance est bien haussière

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

La fraude à la carte bancaire

La fraude à la carte bancaire Agenda Utilisation des réseaux sociaux dans la lutte contre la fraude Françoise Soulié Fogelman VP Innovation francoise@kxen.com 1. La fraude à la carte bancaire 2. La question des volumes 3. La création

Plus en détail