Contexte Métier
Une banque de détail souhaite automatiser l'évaluation du risque de défaut de paiement pour les nouvelles demandes de prêt. Le but est de générer un code de scoring SAS à partir d'un modèle de réseau de neurones entraîné sur des données historiques de clients. Ce code sera ensuite intégré dans le système de décision de la banque pour une prise de décision rapide et cohérente.
À propos du Set : neuralNet
Entraînement de réseaux de neurones artificiels classiques.
Découvrir toutes les actions de neuralNet Préparation des Données
Création d'une table `CLIENTS_CREDIT` avec des données clients simplifiées, incluant des informations démographiques, financières et un indicateur de défaut de paiement (`DEFAUT`). Cette table servira de base pour l'entraînement du modèle.
Copié !
| 1 | DATA casuser.CLIENTS_CREDIT(promote=yes); |
| 2 | call streaminit(123); |
| 3 | DO i = 1 to 2500; |
| 4 | AGE = 25 + rand('integer', 40); |
| 5 | REVENU_ANNUEL = 30000 + rand('integer', 70000); |
| 6 | MONTANT_PRET = 5000 + rand('integer', 20000); |
| 7 | DUREE_PRET_MOIS = 12 + rand('integer', 48); |
| 8 | IF rand('uniform') > 0.8 THEN DEFAUT = 1; ELSE DEFAUT = 0; |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | drop i; |
| 12 | RUN; |
Étapes de réalisation
1
Entraînement du modèle de réseau de neurones sur les données clients et sauvegarde du modèle dans une table CAS.
Copié !
| 1 | PROC CAS; |
| 2 | neuralNet.annTrain / |
| 3 | TABLE={name='CLIENTS_CREDIT', caslib='casuser'}, |
| 4 | inputs={'AGE', 'REVENU_ANNUEL', 'MONTANT_PRET', 'DUREE_PRET_MOIS'}, |
| 5 | target='DEFAUT', |
| 6 | modelTable={name='MODELE_CREDIT', caslib='casuser', replace=true}; |
| 7 | QUIT; |
2
Génération du code de scoring SAS DATA step à partir du modèle entraîné, avec un ID de modèle personnalisé pour la traçabilité.
Copié !
| 1 | PROC CAS; |
| 2 | neuralNet.annCode / |
| 3 | modelTable={name='MODELE_CREDIT', caslib='casuser'}, |
| 4 | modelId='ModeleCreditRiskV1', |
| 5 | code={casOut={name='CODE_SCORING_CREDIT', caslib='casuser', replace=true}}; |
| 6 | QUIT; |
Résultat Attendu
Une table CAS nommée `CODE_SCORING_CREDIT` est créée dans la caslib `casuser`. Elle contient un code SAS DATA step fonctionnel. Ce code, lorsqu'il est exécuté, doit pouvoir prédire la probabilité de défaut (`P_ModeleCreditRiskV11`) et de non-défaut (`P_ModeleCreditRiskV10`) pour de nouveaux clients.