L'utilisant de la méthode KPV émanant de l'intelligence artificielle à la prédiction de la solvabilité des clients bancaires

La gestion du risque de crédit est un sujet important pour les banques et les établissements socio-économiques qui recueillent d’énormes quantités de données, dans l’intention de rendre obsolète la mauvaise décision. Dans cet article, nous avons étudié le comportement du classificateur KPV (K plus Proche Voisin) à la prédiction de la solvabilité des clients d’une banque. Ce classificateur serve à trouver la classe d’un nouveau client qui désire obtenir un crédit auprès d’une banque. À cet effet nous avons utilisé une base de données des clients d’une banque qui comporte des clients solvables et non-solvable. Étant donné que la méthode utilisée relevant des techniques de l’intelligence artificielle, nous avons utilisé le langage Python comme outil de modélisation, par conséquent, nous avons commencé notre processus de modélisation par un prétraitement des données, par la suite nous avons exploré les différents résultats obtenus par les différentes distances, afin que nous puissions choisir la meilleure valeur de K, ensuite nous avons évalué et comparé les différents modèles de prédiction obtenus. Au terme du processus suivi, nous avons pu conclure que le modèle obtenu par la méthode − h donne des résultats satisfaisants en termes de niveau de précision et de prédictibilité, avec un niveau de précision qui dépasse les 93%