Beziez OuailHidouci Adenane2021-11-062021-11-062021http://hdl.handle.net/123456789/11210Dans le cadre de ce mémoire, nous présentons une étude comparative à grande échelle entre les modèles d'apprentissage automatique et les modèles d'apprentissage automatique hybrides, nous appliquons les modèles sur les données de crédit scoring. Le crédit scoring est une méthode qui évalue le niveau de risque associé à un rapport de crédit et prédit la solvabilité d'un demandeur pour ce crédit. Selon les caractéristiques de ce client, il sera classé dans le modèle comme " Bon Payeur " ou " Mauvais Payeur ". Il y a eu très peu, voire aucune, d'études comparatives à grande échelle pour les modèles d'apprentissage automatique hybrides, nous espérons donc que cette étude comblera cette lacune. Pour cela, nous avons utilisé les méthodes : k-means, une machine à vecteurs de support (SVM) et arbre de décision. Nous avons utilisé une matrice de classification ou d'imprécision et " accuracy score " pour vérifier et comparer la qualité des modèles résultants.frEtude comparativeApprentissage automatiqueArbre de décisionOther