Projet prédiction de l’octroi de crédit

Contexte du Projet

Le but du projet est de prédire si une demande de crédit sera acceptée ou refusée, en fonction des caractéristiques du demandeur. Ce type de projet est couramment utilisé dans les institutions financières pour évaluer le risque de crédit.

Les points clés

Données Utilisées

Le jeu de données utilisé contient des informations sur les demandeurs de crédit, telles que :

  • Sexe (0 pour femme, 1 pour homme)
  • État civil (marié ou non)
  • Nombre de personnes à charge
  • Éducation (diplômé ou non)
  • Statut de l’emploi
  • Revenu du demandeur
  • Revenu co-demandeur (le cas échéant)
  • Montant du prêt demandé
  • Durée du prêt en mois
  • Historique de crédit

Algorithmes Utilisés

L’algorithme utilisé dans ce projet est le Random Forest Classifier. Il s’agit d’un algorithme d’apprentissage supervisé basé sur la création de multiples arbres de décision pour améliorer la précision de la prédiction.

Processus du Projet

  • Chargement et Préparation des Données :

    • Les données ont été importées et nettoyées pour s’assurer qu’il n’y a pas de valeurs manquantes.
    • Les variables catégorielles ont été encodées en valeurs numériques pour être interprétées par l’algorithme.

  • Séparation des Données :

    • Les données ont été séparées en variables indépendantes (les caractéristiques) et une variable dépendante (l’acceptation ou le refus du crédit).

  • Entraînement du Modèle :

    • Le modèle de Random Forest a été entraîné sur ces données.

  • Évaluation du Modèle :

    • Une matrice de confusion et d’autres métriques telles que la précision et le rappel ont été utilisées pour évaluer la performance du modèle.

  • Prédiction :

    • Un profil de test a été créé et le modèle a été utilisé pour prédire si ce profil obtiendrait le crédit ou non.

  • Sauvegarde du Modèle :

    • Le modèle a été sauvegardé dans un fichier prevision_credit.pkl pour être utilisé dans une application web.

Applications Futures

  • Optimisation des seuils de décision : Pour améliorer encore plus les prédictions, il serait intéressant d’optimiser les seuils de décision.
  • Extension à d’autres types de crédits : Le modèle pourrait être adapté pour d’autres types de prêts ou pour évaluer la solvabilité dans d’autres contextes financiers.