Sélection de variables catégorielles dans la modélisation des risques

Dans les institutions financières, les caractéristiques catégorielles apparaissent assez souvent dans les ensembles de données de crédit et dans les modèles de conformité, par exemple, les caractéristiques liées au profil de risque des clients.

Les méthodes traditionnelles de sélection d’entités (par exemple, signification statistique, élimination d’entités récursives, LASSO) ne fonctionnent pas bien avec les entités catégorielles, car ces méthodes conservent certains niveaux en supprimant d’autres de la même entité. L’approche LASSO groupé s’est montrée plus stable en termes de sélection de variables mais présente des lacunes en termes de prévisibilité. Pour une caractéristique donnée, serait-il plus approprié de concevoir une méthode qui agrège ensemble certains niveaux avoisinants afin d’obtenir un espace de représentation des caractéristiques qui varie mieux avec la variable à prédire?

En raison des nombreuses façons de représenter les variables catégorielles et de sélectionner les variables importantes, nous nous demandons quelles sont les méthodes les plus appropriées pour améliorer la sélection des caractéristiques catégorielles ?