credit-scoring

Les scripts utiles sont maintenant :

• python/01_prepare_data.py : nettoyage des donnees
• python/02_models.py : comparaison des modeles avec validation croisee et calibration
• python/03_score.py : score sur 1000, seuil retenu et decisions d'acceptation/refus
• python/scoring_utils.py : fonctions pour eviter les repetitions

Modeles utilises

• Arbre de decision
• Random Forest
• XGBoost
• LightGBM

Resultats produits

• metriques classiques : accuracy, precision, recall, F1, ROC-AUC
• metriques de desequilibre : PR-AUC, balanced accuracy
• metriques metier : taux d'acceptation, taux de refus, taux de defaut accepte, taux de defaut refuse, defaults captes
• validation croisee
• calibration des probabilites
• construction d'un score client
• proposition de seuil de decision

Installation

pip install -r requirements.txt

Execution

python3 python/01_prepare_data.py
python3 python/02_models.py
python3 python/03_score.py

Tous les fichiers sont sauvegardes dans python/outputs/.