En pratique :

Langue principale : français

Description du contenu de l'enseignement

Objectifs :
L’analyse discriminante, parfois appelée classification supervisée, couvre un large domaine de techniques. Les principaux modèles étudiés sont l’analyse discriminante de Fisher (linéaire ou quadratique), la régression logistique, et quelques méthodes non paramétriques comme arbres de décision, réseaux de neurones, …
Appliqués dans le domaine de l’analyse crédit bancaire, ces modèles permettent d’évaluer le risque clients pour discriminer entre bons et mauvais prêts. La méthode consiste généralement à prédire une variable catégorielle (le plus souvent binaire) en utilisant des variables quantitatives ou qualitatives.

Programme :

  • Unité 1 : L’analyse discriminante de Fischer et la régression logistique
  • Unité 2 : L’arbre de partitionnement

Bibliographie :
1. Anderson R., The credit scoring toolkit, Oxford U.P., 2007.
2. Bardos M., Analyse discriminante, application au risque et scoring financier, Dunod, 2001.
3. Chapter 10 de Tufféry S., Data mining et statistique décisionnelle, 2005.
4. Hilbe J.M., Logistic regression models, CRC Press, Chapman and Hall, 2009.
5. Hosmer D.W. et Lemeshow S., Applied logistic regression, second edition, Wiley, 2000.
6. Thomas L. C., Edelman D. B. et Crook N. C., Credit scoring and its applications, SIAM, 2002.
7. Saporta G., Probabilités, analyse des données et statistique, 2011.

Pré-requis :
Expressions algébriques
Eléments de base de l'analyse statistique