[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118073-fr":3,"doc-seo-118073-114":30,"detail-sidebar-cat-0-fr-114":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},118073,1099523882367,"Hazel","https://ap-avatar.wpscdn.com/davatar_9964176cb1d06d4a9deccf72a44ae3dc",64,"Recherche & Rapport","Machine learning dans l’évaluation du risque crédit - revue systématique","L’article propose une revue systématique des approches d’apprentissage automatique appliquées à l’analyse du risque de crédit, fondée sur l’examen de 20 articles sélectionnés. Les résultats mettent en évidence plusieurs familles de méthodes, notamment les arbres de décision, les réseaux de neurones et la classification K-plus proche voisin. L’analyse comparative souligne que certains modèles, en particulier les réseaux de neurones et les arbres de décision, atteignent une précision plus élevée et des performances supérieures aux approches classiques comme la régression logistique et l’analyse discriminante. Les limites incluent la sensibilité au bruit des données et la complexité des modèles. L’étude vise à guider praticiens et décideurs financiers et à encourager de futures validations empiriques afin d’améliorer l’applicabilité et les performances.","Machine Learning dans l’évaluation du risque crédit : revue systématique  \nMachine learning in credit risk assessment: A systematic review.  \n– Auteur 1 : Mousaab Elkhair GHOUJDAM,– Auteur 2 : Rachid CHAABITA,  \n– Auteur 3 : Salwa IDAMIA,  \n(1) : Docteur en sciences économiques, Faculté des Sciences Juridiques Économiques et Socialesd’Ain Chock , Université Hassan II de Casablanca, Maroc.  \n(2) : Professeur d'enseignement supérieur à la Faculté des sciences juridiques, économiques et sociales, Université Hassan II et Directeur du Laboratoire de Gouvernance de l'Intelligence d'Affaires des Organisations, de la Finance et de la Criminalité Financière. Université Hassan II Casablanca, Maroc  \n(3) : Doctorante, ESTC, Université Hassan II Casablanca, Maroc.  \nConflit d'intérêts : L'auteur ne signale aucun conflit d'intérêts. Pour citer cet article : GHOUJDAM .M, CHAABITA .R & IDAMIA .S (2024) « Machine learning dans l’évaluation du risque crédit :revue systématique.»,  \nIJAME : Volume 02, N° 08 | Pp: 255 – 274.  \nDate de soumission : Mai 2024  \nDate de publication : Juin 2024  \nDOI : 10.5281/zenodo.12528088 Copyright © 2024 – IJAME  \nRésumé :  \nL'article entreprend une revue systématique des diverses approches de l'apprentissage automatique dans l'analyse du risque de crédit, basée sur l'examen de 20 articles spécifiquementsélectionnés. Les résultats mettent en évidence une diversité d'approches de machine learning, telles que les arbres de décision, les réseaux de neurones et la classification K-plus proche voisin (KPV) . Une analyse approfondie révèle que certaines méthodes, notamment les réseaux deneurones et les arbres de décision, affichent une précision supérieure et des performances remarquables comparées aux approches classiques telles que la régression logistique et l'analyse discriminante. Cependant, ces méthodes présentent également des limitations, comme lasensibilité au bruit des données et la complexité des modèles. Cette étude souligne un intérêt crucial pour les praticiens et les décideurs financiers dans le but d'améliorer les pratiques degestion du risque de crédit. Elle met en exergue l'importance croissante de l'apprentissage automatique dans ce domaine, tout en soulignant la nécessité de futures recherches empiriques pour valider ces résultats et surmonter les défis inhérents à ces approches. Cela permettrait d'optimiser encore davantage les performances et l'applicabilité de ces méthodes innovantes.  \nMots clés : MACHINE LEARNING , ANALYSE CREDIT ,ARBRE DE DECISION , RESEAU NEURONE ARTIFICIEL, K-PLUS PROCHE VOISIN (KPV)  \nAbstract  \nThe article undertakes a systematic review of various machine learning approaches in credit risk analysis, based on the examination of 20 specifically selected articles. The results highlight a diversity of machine learning approaches, such as decision trees, neural networks, and Knearest neighbor (KNN) classification. An in-depth analysis reveals that some methods, particularly neural networks and decision trees, demonstrate superior accuracy and remarkable performance compared to classical approaches such as logistic regression and discriminant analysis. However, these methods also exhibit limitations, such as sensitivity to data noise and model complexity. This study emphasizes a crucial interest for practitioners and financial decision-makers aiming to enhance credit risk management practices. It underscores the increasing importance of machine learning in this domain while emphasizing the need for future empirical research to validate these findings and overcome the inherent challenges of these approaches. This would further optimize the performance and applicability of these innovative methods.  \nKeywords: Machine learning, credit analysis, decision tree, artificial neural network, and Knearest neighbor (KNN) classification  \n1. INTRODUCTION  \nL'analyse du risque de crédit constitue un pilier fondamental dans le domaine de la finance, offrant aux institutions financières et a","cbCaiePJrIltCWis","https://ap.wps.com/l/cbCaiePJrIltCWis","pdf",794641,1,21,"French","fr",114,"# Introduction\n## Problématique et intérêt de la recherche\n## Objectifs de la revue systématique","[{\"question\":\"Sur quelles données l’étude base-t-elle sa revue systématique ?\",\"answer\":\"L’étude s’appuie sur l’examen de 20 articles spécifiquement sélectionnés portant sur l’apprentissage automatique en analyse du risque de crédit.\"},{\"question\":\"Quelles méthodes de machine learning sont mises en avant et comment se comparent-elles aux approches classiques ?\",\"answer\":\"Les résultats mettent en avant les arbres de décision, les réseaux de neurones et la classification K-plus proche voisin. Les réseaux de neurones et les arbres de décision montrent une précision supérieure et de meilleures performances que la régression logistique et l’analyse discriminante.\"},{\"question\":\"Quelles limites les auteurs soulignent-ils pour certaines méthodes ?\",\"answer\":\"Les auteurs indiquent notamment la sensibilité au bruit des données et la complexité des modèles comme limitations importantes.\"}]","Machine learning dans l’évaluation du risque crédit - revue systématique | PDF",1785681311,32,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"machine-learning-in-credit-risk-assessment-systematic-review","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/fr/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/fr/document/recherche-rapport/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/fr/document/machine-learning-in-credit-risk-assessment-systematic-review/118073/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-07","2026-08-02",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Sur quelles données l’étude base-t-elle sa revue systématique ?","Question",{"text":76,"@type":77},"L’étude s’appuie sur l’examen de 20 articles spécifiquement sélectionnés portant sur l’apprentissage automatique en analyse du risque de crédit.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quelles méthodes de machine learning sont mises en avant et comment se comparent-elles aux approches classiques ?",{"text":81,"@type":77},"Les résultats mettent en avant les arbres de décision, les réseaux de neurones et la classification K-plus proche voisin. Les réseaux de neurones et les arbres de décision montrent une précision supérieure et de meilleures performances que la régression logistique et l’analyse discriminante.",{"name":83,"@type":74,"acceptedAnswer":84},"Quelles limites les auteurs soulignent-ils pour certaines méthodes ?",{"text":85,"@type":77},"Les auteurs indiquent notamment la sensibilité au bruit des données et la complexité des modèles comme limitations importantes.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,104,107,110,114,116,120,124,128],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},67,"Général",61,"general",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":102,"slug":103},66,"Art de vivre",60,"lifestyle",{"id":97,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":102,"slug":106},"Bande dessinée","comic",{"id":102,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":102,"slug":109},"Examen","exam",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":102,"slug":113},59,"Littérature","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":102,"slug":115},"research-report",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":102,"slug":119},58,"Récits & Romans","story-novel",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":102,"slug":123},65,"Religion & Spiritualité","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":102,"slug":127},63,"Santé & Soins","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":102,"slug":131},62,"Technologie","technology"]