Apprentissage artificiel basé sur la combinaison des classifieurs automatiques par vote majoritaire pour la prédiction de clients crédibles dans le secteur bancaire Machine learning based on the combination of automatic classifiers by majority voting for the prediction of credible customers in the banking sector

Abstract

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. 

Description of the subject. Due to the prevalence of management styles focused on "relation client", the banking industry places a high value on customer retentionship, helping the banker in its trustworthy customer. 

Objectifs. In order to avoid giving credit to future borrowers who are viewed as trustworthy customers, the study aims to predict the risk of credit repayment from these borrowers. 

Methods. Both automatic classifiers and the majoritaire voting approach have been used for the prediction. This method combines multiple classifiers in an autonomous manner to automatically classify a new person using a mathematical function that uses the game of starting data to a set of arriving classes. 

Results. The results obtained showed that 70 % of the cases handled are satisfied loan files, due to explanatory variables that present a distribution of data on the variable of interest. (Risk). The unsatisfy loan files make up the remaining percentage, which is 30%. 

Conclusion. The performance of automatic classification systems is significantly improved by the combination of classifiers. This intelligent system provides clarity to banks regarding decisions to grant or deny loans to borrowers.