Scoring optimal - Apprentissage et décision autour de la courbe ROC

Abstract

La courbe ROC est le "gold standard" pour l'évaluation des règles de décision dans le domaine du scoring (risque de crédit, ciblage marketing, ciblage thérapeutique, ...). Or, il n'est utilisé pour l'instant que comme un simple outil de monitoring de la performance et de visualisation, et la régression logistique demeure en pratique la principale méthode pour la construction de règles, malgré les avancées spectaculaires dans le domaine du machine learning. Dans une série de travaux développés depuis plusieurs années avec Stéphan Clémençon (Telecom ParisTech), nous proposons de nouveaux algorithmes de scoring s'appuyant sur le partitionnement récursif, l'agrégation et le rééchantillonngae, qui optimisent directement la courbe ROC et surpassent largement les performances atteignables par les méthodes classiques, tant du point de vue statistique que computationnel. L'exposé montrera le cadre théorique de la démarche, ainsi que des exemples de mise en oeuvre dans différents cadre de supervision des données (scores individuels discrets, préférences, ...).