💳 Explainable Credit Risk Prediction & Portfolio Analytics

Explainable Credit Risk Prediction & Portfolio Analytics

Plateforme de Machine Learning dédiée à la prédiction, l'analyse et l'explicabilité du risque de défaut de crédit.

Le projet combine Python, Scikit-learn, XGBoost, Feature Engineering, SHAP, Plotly et Streamlit afin de transformer un modèle de classification en une application interactive d'analyse du risque.

---

1. 🎯 · DONNÉES & PROJET

📚 Source des données & préparation

Le projet utilise le dataset Default of Credit Card Clients, publié par l’UCI Machine Learning Repository, consacré à la prédiction du défaut de paiement de clients de cartes de crédit.

Le dataset original contient 30 000 observations, 23 variables explicatives et 1 variable cible correspondant au défaut de paiement le mois suivant.

Les données sont ensuite préparées à travers un pipeline reproductible intégrant le feature engineering et le preprocessing, permettant de construire des variables financières et comportementales supplémentaires avant l’entraînement des modèles.

Source officielle : UCI Machine Learning Repository — Default of Credit Card Clients

L'objectif de Credit Risk Intelligence est d'estimer la probabilité de défaut d'un client à partir de ses caractéristiques financières et comportementales, tout en fournissant une interprétation des prédictions.

La plateforme permet :

• 👤 Analyse individuelle d'un client
• 🔮 Simulation de profils
• 🧠 Explication des prédictions avec SHAP
• 📊 Analyse de portefeuille
• 📈 Monitoring du risque
• 💾 Export des résultats

Données

Le modèle est entraîné sur le dataset Default of Credit Card Clients provenant de l'UCI Machine Learning Repository.

30 000 observations 45 variables au total 44 variables explicatives 1 variable cible : default payment next month

Classe 0 : 23 364 Classe 1 : 6 636

Taux de défaut : 22,12 %

🚀 Fonctionnalités principales

👤 Analyse client

Évaluation individuelle du profil d'un client et estimation de sa probabilité de défaut.

L'application fournit notamment :

• la probabilité de défaut ;
• le niveau de risque ;
• la décision associée au seuil du modèle.

🔮 Simulation

Modification des caractéristiques d'un profil client afin d'observer l'évolution de sa probabilité de défaut.

🧠 Explainable AI

Interprétation des prédictions individuelles avec SHAP (SHapley Additive exPlanations).

La plateforme identifie notamment :

• les facteurs contribuant à augmenter le risque ;
• les facteurs contribuant à réduire le risque ;
• les contributions des variables à la prédiction.

📊 Analyse de portefeuille

Chargement d'un portefeuille CSV et application du modèle à plusieurs clients.

📈 Monitoring

Visualisation de la distribution du risque sur le portefeuille analysé.

💾 Export

Export des résultats de l'analyse de portefeuille au format CSV.

🟩 BLOC 2 — Machine Learning & résultats

---

🤖 2. Modélisation & résultats

Comparaison des modèles

Trois modèles ont été entraînés et comparés sur les 6 000 observations du jeu de test.

Modèle	Accuracy	Precision	Recall	F1	ROC-AUC	PR-AUC
Logistic Regression	0.8192	0.6681	0.3625	0.4700	0.7609	0.5320
Random Forest	0.8113	0.6030	0.4303	0.5022	0.7662	0.5443
XGBoost	0.7628	0.4723	0.6157	0.5345	0.7756	0.5560

XGBoost a été retenu comme modèle final grâce à son meilleur Recall, F1-Score, ROC-AUC et PR-AUC sur la classe défaut.

Optimisation des hyperparamètres

Une recherche d'hyperparamètres avec validation croisée a ensuite été réalisée avec le PR-AUC comme métrique de sélection.

Meilleur PR-AUC CV : 0.5604

Hyperparamètre	Valeur
n_estimators	300
learning_rate	0.02
max_depth	6
min_child_weight	3
subsample	0.8
colsample_bytree	0.7
gamma	0.5

XGBoost optimisé

Métrique	Résultat
Accuracy	0.7658
Precision	0.4772
Recall	0.6142
F1-Score	0.5371
ROC-AUC	0.7796
PR-AUC	0.5587

Optimisation du seuil

Plusieurs seuils ont été testés entre 20 % et 70 %.

Le meilleur F1-score obtenu est :

Threshold : 0.6000 Precision : 0.5423 Recall : 0.5313

F1-Score : 0.5367

🧠 Explainable AI — SHAP

L'interprétabilité constitue une composante centrale de Credit Risk Intelligence.

Le projet utilise SHAP afin d'expliquer les prédictions individuelles produites par le modèle XGBoost.

Pour chaque client analysé, le système calcule les contributions des différentes variables à la prédiction.

Facteurs aggravants

Les variables présentant une contribution SHAP positive augmentent la sortie du modèle vers le risque de défaut.

Facteurs protecteurs

Les variables présentant une contribution SHAP négative diminuent la sortie du modèle vers le risque de défaut.

Exemple

Pour un profil de test, les principaux facteurs protecteurs identifiés par le modèle comprennent notamment :

• Ratio de paiement minimum
• Nombre de retards
• Retard le plus récent
• Retard moyen
• Facture récente

Les contributions SHAP permettent ainsi de passer d'une simple prédiction à une explication de la décision du modèle.

---

🔍 Exemple de sortie SHAP

Le système produit notamment :

Nombre de features SHAP : 48

Ratio de paiement minimum → contribution négative Nombre de retards → contribution négative Retard le plus récent → contribution négative Retard moyen → contribution négative Facture récente → contribution négative

Le module SHAP permet ainsi de passer d'une simple probabilité de défaut à une explication des facteurs ayant contribué à la prédiction.

---

🏗️ Architecture du projet

L'application suit une architecture séparant la logique métier, le modèle de Machine Learning et l'interface utilisateur.

                     Données client / CSV
                              │
                              ▼
                     Feature Engineering
                              │
                              ▼
                        Preprocessing
                              │
                              ▼
                        XGBoost Model
                              │
                 ┌────────────┴────────────┐
                 │                         │
                 ▼                         ▼
          Probabilité                  SHAP
                 │                         │
                 ▼                         ▼
         Niveau de risque           Explication
                 │
                 ▼
              Streamlit
                 │
    ┌────────────┼────────────┐
    ▼            ▼            ▼
 Analyse      Simulation   Portefeuille
    │            │            │
    └────────────┼────────────┘
                 ▼
             Monitoring


             ---

3. ENGINEERING · APPLICATION · VALIDATION

L'application sépare le traitement des données, la prédiction, l'explicabilité et l'interface utilisateur.

Architecture

Données client / CSV ↓ Feature Engineering ↓ Preprocessing ↓ XGBoost optimisé ↓ Probabilité de défaut ├──→ Niveau de risque └──→ SHAP / Explication ↓ Streamlit ↓ Analyse · Simulation · Portefeuille ↓ Monitoring

🔭 Perspectives d'amélioration

Plusieurs évolutions pourraient être ajoutées au projet :

Machine Learning

• comparaison avec d'autres algorithmes ;
• optimisation avancée des hyperparamètres ;
• calibration des probabilités ;
• analyse plus approfondie du compromis précision / rappel ;
• validation croisée renforcée.

Explainable AI

• visualisations SHAP globales ;
• analyse de l'importance des variables ;
• comparaison des explications entre différents profils ;
• génération automatique de rapports d'explication.

MLOps

• suivi des versions du modèle ;
• automatisation du pipeline d'entraînement ;
• monitoring de la dérive des données ;
• suivi des performances en production ;
• pipeline CI/CD ;
• tests automatisés.

Application

• authentification des utilisateurs ;
• gestion de plusieurs portefeuilles ;
• historique des analyses ;
• tableaux de bord plus avancés ;
• déploiement cloud ;
• API de scoring.

---

🧪 Validation technique

Le projet comprend également des scripts dédiés à la validation des fonctionnalités principales :

src/test_prediction.py src/test_shap.py

🚀 Tester l'application

Après installation des dépendances, lancer l'application avec :

python -m streamlit run app/streamlit_app.py

Built With

• python