Classification à base des règles floues pour les crédits bancaires

 

 

 

 

 

Manel Moussaoui

Département d'informatique, Université de Biskra, Biskra, AlgérieCette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.';document.getElementById('cloakdf76b4d6100ef8a1775142be500519e3').innerHTML += ''+addy_textdf76b4d6100ef8a1775142be500519e3+'<\/a>';


Babahenini Mohamed Chaouki Département d'informatique, Université de Biskra, Biskra, Algérie

chaoukCette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

 

 

 

 

Résumé— Dans ce travail notre objectif est d’utiliser la classification  à  base  de  la  logique  floue  pour  résoudre  un problème de crédit bancaire, dans notre cas nous avons choisi la banque  « al  Baraka »  comme  une  banque  islamique.  Le  but d’associer la classification floue à la prise de décision concernant le problème de crédit est de pouvoir traiter chaque client individuellement et comme il mérite.

 

Keywords-  classification, logique floue, crédits bancaires

 

I.      INTRODUCTION

 

L'utilisation des  outils  mathématiques de  modélisation est appropriée pour les systèmes bien définis. Mais, quand la complexité de système augmente, ces outils deviennent moins efficaces. Le traitement des systèmes complexes est dans notre cas  un  système  bancaire  demande  généralement  la manipulation d'informations incomplètes. De façon naturelle, l'être humain est capable de manipuler de tels systèmes, il décrit son comportement par des méthodes approximatives au lieu de raisonner en termes mathématiques [1] [2].

 

A l’heure actuelle, l’application de la logique classique dans le domaine bancaire ne peut pas résoudre tous les problèmes rencontrés par les banques. Cette logique ne peut prendre que deux valeurs (vrai ou faux), cette dernière est mal adaptée à la représentation de la plupart des phénomènes courants [3] [4] [5]. Les systèmes bancaires sont difficiles à contrôler, car il n’existe  pas  une  fonction  mathématique pour  modéliser  ce genre  de  problèmes  ainsi  que  la  variation  des  paramètres utilisés dans ces systèmes [6].

 

La sélection classique des  données ne suffit pas dans de nombreux cas, l'amélioration de la sélection des données consiste à trouver des langages et des méthodes de communications avec  les  données.  Grace  à  l’utilisation de langage naturel la logique floue permet de communiquer avec les données sur un niveau plus élevé que la logique classique [5].

 

Un autre problème lié aux données réelles est l'absence de certaines valeurs. Et la plupart des méthodes de classification classique font l'hypothèse que toutes les données sont présentes, et dans ce cas la des informations additionnelles


utiles seraient cachées [3] [4].

 

Afin d'apporter une solution à ces problèmes, une nouvelle stratégie basée sur la "Théorie de la logique floue" a été élaborée. L'origine du développement de cette théorie a été le contrôle des processus basé sur l'expertise humaine [5] [7].

Des  applications dans  littérature  montrent  que  la  logique floue est le meilleur moyen de convertir les stratégies de contrôle du langage naturel qui sont utilisées par l'homme à une forme utilisable par les machines. Plusieurs expériences ont montrés qu’un contrôleur basé sur la logique floue donne des résultats supérieurs que les contrôleurs classiques et parfois même de meilleurs résultats que l'opérateur humain. Le principal avantage de la logique floue est qu’elle  permet aux experts humains d’exprimer ses connaissances de façon naturelle avec le minimum des règles pour exprimer les concepts. Ce qui entraîne  un  gain de temps et d'espace pour une recherche dans les règles pour l’exécution d’une situation donnée [1] [6] [7].

 

 

La classification floue est le processus de regroupement des éléments répondant aux mêmes contraintes dans un ensemble. Elle permet donc à un individu de se situer sur plusieurs segments à la fois et définit ainsi le comportement du client de manière dynamique. L’avantage principal par rapport à la segmentation classique est qu’un individu peut appartenir à plusieurs classes à la fois. De ce fait, il existe une transition entre les classes [3] [7] [8].

 

Contrairement aux techniques de partitionnements classiques comme k-means, cluster ou une analyse de régression, la logique  floue  permet  de  faire  la  classification  par l'intermédiaire de propositions floues. La classification floue crée des distinctions plus lisses entre les classes que la classification classique. Des applications dans littérature ont présentés la mise en œuvre d'un langage flou dans la classification afin de filtrer les données en utilisant des termes linguistiques. Dans cet article, une méthode classification en utilisant la logique floue est introduite afin de met l’accent sur le problème de crédit bancaire [1] [2] [3] [6] [9].

 

Dans ce travail nous avons choisi le domaine bancaire pour l'ouverture qu'il représentait en  matière de la  gestion de la clientèle. En effet, il s'agit là d'un domaine en mutation et donc dynamique à ce niveau. En plus les banques sont un secteur clé de l’économie. En plus les logiciels proposés sur le marché ne sont pas conçus pour les banques algériennes et ne prennent pas en compte les spécifications des banques algériennes.

Le choix de la méthode floue est motivé par la capacité de ce type de méthode de résoudre les problèmes qui n’ont pas une solution mathématique. Elle fournie les valeurs de degrés d’appartenance de chaque individu à chaque classe. Donc il est possible de savoir précisément la dynamique d’une entité dans les classes et de trouver  l’action en conséquence.  En plus un même client peut appartient au plusieurs classe, et ce n’est pas le cas des autres méthodes de classification. Les techniques de segmentation à chevauchement, bien qu’elle soit capable d’apporter une image chevauchée des segments ne permettent pas d’établir les mouvements tendanciels des individus entre classe [1] [6] [8].

 

Nous avons subdivisé notre   système en deux contrôleurs pour rendre le système modulaire. Le premier contrôleur de la restauration de crédit sur 10 ans et le deuxième contrôleur de la restauration de crédit sur 20 ans, et chaque contrôleur possède trois types d’obtention de crédit (un crédit de 200 million, un crédit de 700 million et un crédit de 900 million).

 

 

télécharger l'article