1 / 16

Mehdi ADDAR

ETUDES SUR LA CLASSIFICATION. Mehdi ADDAR. Maxime HAVEZ. Individu I. Sylvain DOUSSET. Bertrand LE MAROUILLE. Classe A. Classe B. Manuel BOUILLON. Aurélien TEXIER. Encadrant : Farid BENINEL. I - Présentation. Mehdi ADDAR. Maxime HAVEZ. Individu I. Sylvain DOUSSET.

nolcha
Download Presentation

Mehdi ADDAR

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ETUDES SUR LA CLASSIFICATION Mehdi ADDAR Maxime HAVEZ Individu I Sylvain DOUSSET Bertrand LE MAROUILLE Classe A Classe B Manuel BOUILLON Aurélien TEXIER Encadrant : Farid BENINEL

  2. I - Présentation Mehdi ADDAR Maxime HAVEZ Individu I Sylvain DOUSSET Bertrand LE MAROUILLE Classe A Classe B Manuel BOUILLON Aurélien TEXIER Encadrant : Farid BENINEL

  3. I – Présentation des données • Données sur les clients d’une banque Allemande à Munich. • Problématique d’une banque : Accorder ou non un prêt à un client? Etudes sur la Classification

  4. I – Présentation de la méthode de classification Individu à classifier Combinaison d’équipes de classifieurs Classifieur synthétique grâce à un « choix social » Etudes sur la Classification

  5. II – Mise en place d’une équipe de classifieurs Mehdi ADDAR Maxime HAVEZ Individu I Sylvain DOUSSET Bertrand LE MAROUILLE Classe A Classe B Manuel BOUILLON Aurélien TEXIER Encadrant : Farid BENINEL

  6. Dans notre cas, créer une équipe d’un classifieur • taux d’erreur : 0,27 • proportion d'erreur (Acceptation de mauvais clients): 0.09733333 • II – Méthode du «favorite class model » • Créer une équipe de N classifieurs (N = nombre de classes de la variable à expliquer, pour N > 2). • Prendre en compte les 4 covariables les plus corrélées à la variable à expliquer. • Analyser les résultats obtenus. • Laufkont(Compte courant) • laufzeit(Durée en mois) • moral(Paiement des crédits précédents) • Sparkont(Montant des réserves) Etudes sur la Classification

  7. D = 7 • Définition d’un seuil = 0.1 • II – Méthode du « random choice » • Sélection aléatoire de 4 covariables parmi les D variables les plus corrélées à « Kredit ». • On a ainsi solutions de classifieurs différents. Il est donc important de • les évaluer afin de déterminer ceux que l’on gardera. • a = nombre d’individus correctement classés dans Clk et Cll. • b = nombre d’individus mal classés dans Clk et Cll. • c = nombre d’individus correctement classés dans Clk et mal dans Cll. • d = nombre d’individus mal classés dans Clk et bien dans Cll. Etudes sur la Classification

  8. II – Méthode du « random choice » - Suite Etudes sur la Classification

  9. III – Classifieur Synthétique, Résultats et Interprétations Mehdi ADDAR Maxime HAVEZ Individu I Sylvain DOUSSET Bertrand LE MAROUILLE Classe A Classe B Manuel BOUILLON Aurélien TEXIER Encadrant : Farid BENINEL

  10. III – Méthode composante par composante • Utilisation des équipes de classifieurs obtenues précédemment et création d’un classifieur synthétique grâce à ces méthodes. • Méthode du minimum. • Même système pour les méthodes du maximum, de la moyenne, du produit, de la moyenne pondérée. • Pour la méthode du trimmed mean (moyenne tronquée), on retire 10% des classifieurs (parmi les plus éloignés à la moyenne des classifieurs), puis méthode de la moyenne standard. Etudes sur la Classification

  11. III – Méthode composante par composante • Méthode du minimum Méthode du maximum Proportion d'erreur : 0.3066667 Proportion d'erreur (Acceptation de mauvais clients): 0.02733333 AUC :0.7721743 Proportion d'erreur : 0.3066667 Proportion d'erreur (Acceptation de mauvais clients): 0.02733333 AUC :0.7721743 Etudes sur la Classification

  12. III – Méthode composante par composante • Méthode de la moyenne Méthode de la médiane Proportion d'erreur : 0.3066667 Proportion d'erreur (Acceptation de mauvais clients): 0.03033333 AUC :0.814217 Proportion d'erreur : 0.2933333 Proportion d'erreur (Acceptation de mauvais clients): 0.02966667 AUC :0.8069564 Etudes sur la Classification

  13. III – Méthode composante par composante • Méthode du produit Méthode Trimmed Mean Proportion d'erreur : 0.3033333 Proportion d'erreur (Acceptation de mauvais clients): 0.02716667 AUC :0.8171115 Proportion d'erreur : 0.3066667 Proportion d'erreur (Acceptation de mauvais clients): 0.03033333 AUC :0.8130887 Etudes sur la Classification

  14. III – Méthode basée sur la distance au profil moyen • On utilise désormais une méthode qui opère par combinaison de composantes. • Pour chaque individu, on calcule la distance au profil moyen de chacune des deux classes de la variable expliquée « Kredit ». Ce profil moyen est calculé selon les classifieurs. • Ensuite on affecte l’individu à la classe avec laquelle il est le plus proche. Proportion d'erreur : 0.2333333 AUC : 0.8080357 Etudes sur la Classification

  15. Conclusion Mehdi ADDAR Maxime HAVEZ Individu I Sylvain DOUSSET Bertrand LE MAROUILLE Classe A Classe B Manuel BOUILLON Aurélien TEXIER Encadrant : Farid BENINEL

More Related