Prévision de la défaillance et réseaux de neurones : l'apport des méthodes numériques de sélection de variables
Institution:
NiceDisciplines:
Directors:
Abstract EN:
The underlying hypothesis of all bankruptcy prediction models have led their authors to use statistical and data analysis methods in order to build their models. Among all the methods used for this purpose, neural networks appear to be one of the most challenging techniques not only because of their mathematical properties but also because of the very interesting properties the models may benefit from. Despite the characteristics of neural networks, most of the research done until now has not really taken them into consideration for building models and, in particular, for selecting the variables to be included in the models. The aim of our research is precisely to establish that variable selection techniques developed specifically for neural networks may offer a useful alternative to conventional methods in order to improve the prediction accuracy of the models, and may help in gaining a better understanding of the company failure process.
Abstract FR:
Les hypothèses qui sous-tendent les modèles de prévision de la défaillance d'entreprises ont conduit leurs auteurs à privilégier comme méthodes d'élaboration, celles issues de la statistique et de l'analyse de données. Parmi toutes les méthodes employées, les réseaux de neurones occupent une place privilégiée en raison de leurs propriétés mathématiques mais aussi en raison des propriétés très intéressantes qu'ils confèrent aux modèles. Malgré les spécificités des réseaux, la quasi-totalité des travaux réalisés jusqu'à présent n'en ont pas tenu compte lors de l'élaboration des modèles et notamment lors de la sélection des variables devant en faire partie. Notre travail s'est attaché à montrer en quoi des méthodes de sélection de variables adaptées aux réseaux de neurones peuvent offrir une alternative utile aux méthodes habituelles pour améliorer la précision des modèles et permettent, grâce à une détection des variables pertinentes, d'approfondir la connaissance du problème traité.