Analyse et Prédiction du Risque de Crédit

📖Contexte

Dans le climat économique actuel, l'analyse du risque de crédit est plus pertinente que jamais. Les institutions financières sont continuellement confrontées au défi de distinguer les bons emprunteurs des mauvais pour minimiser les pertes tout en maximisant les opportunités de revenus.

🎯 Objectif

L'objectif de ce projet était de développer un modèle prédictif capable de classer les statuts de compte courant des clients en "bon" ou "mauvais" en fonction de leur risque de crédit. En utilisant un ensemble de données comprenant 1000 clients.

🏗️ Structure du projet

Le projet est organisé comme suit:

Risque_credit/
│
├── Data/
│   ├── Credit_cleaned.csv       # Base de données propre en format csv 
│   ├── Credit_cleaned.json      # Base de données propre en format csv
│   ├── dataset.csv              # Base de données brute
│   └── df_api.csv               # Base de données pour l'api  
|
├── images/                      # images des visualisations
│   
├── model_API/
│   ├── features_columns1.pkl    # Liste des 6 features utilisées
│   ├── log_reg.pkl              # Modèle de régression logistique sauvegardé
│   ├── main.py                  # API FastAPI avec route /predict 
│   └── scaler1.pkl              # Scaler entraîné sur credit_amount 
│
├── Model_training/
│   └── train_model.py 
|
├── Notebooks/
│   ├── app.ipynb                # Notebook de regression log_reg pour l'api et streamlit 
│   ├── Cleannig_data.ipynb      # Notebook de nettoyage des données brutes
│   ├── EDA.ipynb                # Analyse exploratoire des données
│   └── Preprocess_Ml.ipynb      # Prétraitement et Machine Learning sur les données 
|
├── streamlit_app/
│   └── app.py                   # Interface utilisateur pour prédiction
│
├── LICENSE 
├── README.md                    # Description du projet
└── requirements.txt             # Dépendances à installer

📊Analyse Exploratoire des Données

1. Data cleaning Cleaning_data.ipynb

Importation, nettoyage des données et sauvegarde des données propres dans un fichier csv Credit_cleaned.csv et un fichier json Credit_cleaned.csv

2. Analyse exploratoire des données EDA.ipynb

• Statistiques descriptives

|       Statistiques       | Durations | Credit amount  | Installment_Rate_Percent  | Residence_Years  | Age in years  | Num_Existing_Credits   | Liable_People  |
|-------------------------:|----------:|---------------:|--------------------------:|-----------------:|--------------:|-----------------------:|---------------:|
| **count**                | 1000.00   | 1000.00        | 1000.00                   | 1000.00          | 1000.00       | 1000.00                | 1000.00        |
| **mean**                 | 20.90     | 3271.26        | 2.97                      | 2.85             | 35.55         | 1.41                   | 1.16           |
| **std**                  | 12.06     | 2822.74        | 1.12                      | 1.10             | 11.38         | 0.58                   | 0.36           |
| **min**                  | 4.00      | 250.00         | 1.00                      | 1.00             | 19.00         | 1.00                   | 1.00           |
| **25%** (1er quartile)   | 12.00     | 1365.50        | 2.00                      | 2.00             | 27.00         | 1.00                   | 1.00           |
| **50%** (médiane)        | 18.00     | 2319.50        | 3.00                      | 3.00             | 33.00         | 1.00                   | 1.00           |
| **75%** (3e quartile)    | 24.00     | 3972.25        | 4.00                      | 4.00             | 42.00         | 2.00                   | 1.00           |
| **max**                  | 72.00     | 18424.00       | 4.00                      | 4.00             | 75.00         | 4.00                   | 2.00           |

• Analyses univariés

  variable cible

  Le genre et status marital

• Analyses bivariés

  Variable cible vs montant de crédit

  *Montant de crédit vs le but de crédit & Age vs Job *

• Corrélation

  Variables numériques

  

  Variables catégorielles

  

Pour plus de détails, consultez le notebook notebooks/EDA.ipynb

Prétraitement et Entraînement des modèles Preprocess_ML.ipynb

Sélection des variables pertinentes et prétraitement des données pour l'apprentissage automatique

• Surechantillonnage de la variable cible Checking_Account_Status avec la methode SMOTE pour corriger le deséquilibre des modalités

• Modèles

  • Logistic Regression
  • Random Forest
  • Decision Tree
  • XGBoost

Evaluations des modèles (Metrics)

✅ Comparaison des performances des modèles (classe "bad" = 1)

Modèle	Accuracy	Precision (1)	Recall (1)	F1-score (1)
Logistic Regression	0.685	0.47	0.56	0.51
Random Forest	0.665	0.40	0.29	0.34
Decision Tree	0.635	0.40	0.47	0.43
XGBoost	0.690	0.47	0.39	0.43

Visualisation

Courbe ROC

Meilleur Modèle : Le modèle final sélectionné est une régression logistique Pour plus de détails, consultez le notebook notebooks/Preprocess_ML.ipynb.

Top features de la régression logistique

Creation d'un API (Fastapi)

• rentraînement du modèle logistic regression App.ipynb avec quelques variables plus pertienentes puis sauvegarde en log_reg.pkl
• sauvegarde des features pour le training de log_reg en features_columns1.pkl
• Sauvegarde Scaler entraîné sur credit_amount en scaler1.pkl-+

Puis Création d'un api

⚙️ Installation

Prérequis

• Python 3.12+
• Pip pour gérer les packages

Etapes d'Installation

1. Clonez le dépôt

git clone https://github.com/nazif96/Credit-risk.git
cd Credit-risk

2. Créez un environnement virtuel :

python -m venv venv 

3. Activez l'environnement

.\env\Scripts\activate

4. Installez les dépendances

pip install -r requirements.txt

🚀 Utilisation (local)

1. Étape 1 — Lancer l'API FastAPI

cd model_API
uvicorn main:app --reload

• Tu verras : Uvicorn running on http://127.0.0.1:8000

• Tu peux tester l’API sur Swagger : http://127.0.0.1:8000/docs

  clique sur POST/predict puis sur try it out éditer les json puis clique sur Execut

NB: Laisse ce terminal ouvert pendant toute la session (ne le ferme pas)

2. Étape 2 — Lancer l'application Streamlit

Dans un nouveau terminal, va dans le dossier et lancer l'interface streamlit.

cd streamlit_app
streamlit run app.py

L’app va s’ouvrir automatiquement dans ton navigateur sur : 👉 http://localhost:8501

👤Auteur

AFOLABI Nazifou

• Datascientist | Machine Learning & Modeling
• Passionné par les sciences de données et l'intelligence artificielle.
• Email : afolabinazif96@gmail.com
• LinkedIn : Nazifou AFOLABI