/Formation_DS_P6_ML_Scoring_Credit

Primary LanguageJupyter Notebook

📊 Projet N°6 : Implémentez un modèle de scoring

📌 Contexte et Objectif

Entreprise : Prêt à Dépenser
Logo : Logo

🎯 Objectif

Développer un modèle de scoring de crédit permettant de prédire la capacité de remboursement des clients n'ayant pas ou peu d'historique bancaire.

📂 Jeux de données

  • 📊 Données : Base de Données
  • 🔍 Missions du projet :
    • Construire un modèle de scoring capable de prédire la probabilité de défaut de paiement.
    • Développer un dashboard interactif pour aider les gestionnaires de crédits à interpréter les prédictions.
    • Mettre en production le modèle via une API Flask, intégrée au dashboard.

🚀 Réalisations et Méthodologie

1️⃣ Analyse des Données

  • Ouverture et exploration des fichiers
  • Préparation des données :
    • Création et transformation des variables (dummisation, factorisation)
    • Fusion des fichiers et simplification des datasets lourds
    • Sélection des nouveaux clients pour l'application

2️⃣ Gestion du Déséquilibre des Données et Sélection du Modèle

  • 📊 Techniques de gestion du déséquilibre :

    • SMOTE, Class_Weight, Undersampling, Oversampling

    Unbalanced

  • ⚙ Comparaison des modèles de Machine Learning :

    • DummyClassifier, LogisticRegression, RandomForestClassifier, LGBMClassifier
    • KNN et XGBOOST (trop longs à exécuter)

  • 🔧 Optimisation des hyperparamètres via GridSearchCV

  • 🏆 Meilleur modèle sélectionné : LGBMClassifier

    Poids

3️⃣ Optimisation du Modèle et Interprétation

  • Réduction des variables (seuil < 70% de NaNs)

  • Évaluation des performances :

    • Matrice de confusion pour validation des résultats

    MC

    • Optimisation du seuil de probabilité pour améliorer la métrique de scoring

    Proba

  • Analyse des variables les plus importantes :

    • Feature Importances, SHAP globale et locale

    SHAP

4️⃣ Déploiement du Modèle

✅ Mise en production sur une API Flask hébergée sur Heroku
✅ Développement d'une application Streamlit intégrant l'API

🖥 Interface utilisateur :

Interface

📊 Exemple de prédiction pour un client :

Prediction

📉 Graphiques explicatifs des prédictions :

Graphiques

5️⃣ Étude du Data Drift

  • Objectif : Analyser la stabilité du modèle au fil du temps

  • Variables utilisées : Top 20 features les plus influentes

    DD2
    DD1

🛠️ Technologies et Outils Utilisés

  • Langage : Python 🐍
  • Librairies : Pandas, Seaborn, Matplotlib, Scikit-learn, LightGBM, MLflow
  • Déploiement : Flask (API) sur Heroku, Dashboard Streamlit
  • Méthodes utilisées : Machine Learning, SHAP, Feature Engineering, Data Drift Analysis

📬 Contact et Feedback

💡 Ce projet a été réalisé dans le cadre de ma formation Data Science. N’hésitez pas à laisser vos suggestions ou à me contacter pour en discuter !

📩 Contact :
📧 johan.rocheteau@hotmail.fr
🔗 LinkedIn