Pr-diction_carte

Évaluer le risque qu’un client ne rembourse pas son crédit. Utiliser des données personnelles et l’historique de paiements. Aider à la prise de décision dans l’octroi de crédits.

Comment

💳 SDA_Python - WebApp de Prédiction de Défaut de Crédit

👥 Réalisé par :

Jordan Pindoh et Jiwon Yi

🎯 Objectif du projet

Cette application Web a pour but de prédire si un client de carte de crédit risque de faire défaut sur son paiement le mois suivant.
Elle permet à une institution financière d’évaluer le risque client sur la base de ses caractéristiques personnelles et de son historique de paiements, afin de prendre des décisions plus éclairées lors de l’octroi de crédits.

Le modèle est intégré dans une interface simple et interactive développée avec Streamlit.

📊 Jeu de données utilisé

  • Nom du fichier : UCI_Credit_Card.csv
  • Source officielle : UCI Machine Learning Repository
  • Nombre d’observations : 30 000 clients
  • Variable cible : default.payment.next.month (0 = pas de défaut, 1 = défaut)
  • Variables principales :
    • Caractéristiques du client : LIMIT_BAL, SEX, EDUCATION, MARRIAGE, AGE
    • Historique de paiements : PAY_0 à PAY_6
    • Montants facturés : BILL_AMT1 à BILL_AMT6
    • Montants remboursés : PAY_AMT1 à PAY_AMT6

✅ Traitement et sélection des variables

Nous avons appliqué une préparation minimale et raisonnée du jeu de données afin de le rendre directement exploitable par notre modèle :

  • Suppression de la colonne ID et d'autres variables non informatives
  • Non-utilisation de PAY_1 : nous avons préféré utiliser PAY_0 comme indicateur du mois le plus récent
  • Sélection de 23 variables explicatives pertinentes, réparties comme suit :
    • Données personnelles : LIMIT_BAL, SEX, EDUCATION, MARRIAGE, AGE
    • Historique de paiement : PAY_0, PAY_2, PAY_3, PAY_4, PAY_5, PAY_6
    • Montants facturés : BILL_AMT1 à BILL_AMT6
    • Montants remboursés : PAY_AMT1 à PAY_AMT6

🧠 Modèles testés et sélection

Nous avons comparé plusieurs modèles de classification :

  • Régression Logistique
  • SVM (Support Vector Machine)
  • K-Nearest Neighbors (KNN)
  • Random Forest

🧪 Métriques utilisées :

  • Accuracy
  • Précision
  • Rappel (Recall)
  • F1-score

👉 Le modèle Random Forest s’est montré le plus performant et équilibré, et a été sélectionné pour la WebApp.

💻 Fonctionnement de l'application

L’interface utilisateur a été développée avec Streamlit. Sur la barre latérale, l’utilisateur peut entrer :

  • les données personnelles du client : sexe, âge, statut marital, éducation
  • l’historique de paiements (PAY_0 à PAY_6)
  • les montants facturés et remboursés (BILL_AMT et PAY_AMT)

▶️ Une fois les données saisies :

  • La prédiction est affichée avec un message vert (client fiable) ou rouge (client à risque)
  • Une visualisation circulaire (pie chart) montre la probabilité de défaut

🎥 Démonstration vidéo

➡️ Lien Google Drive : Cliquez ici pour visionner la démonstration

📂 Structure du dépôt

SDA_Python/
├── app.py # Code principal de l'application Streamlit
├── UCI_Credit_Card.csv # Données utilisé (version nettoyée)
├── requirements.txt # Fichier de dépendances Python
├── README.md # Documentation complète du projet
└── superPROJ.ipynb # Notebook de modélisation et d'entraînement

Built With

Share this project:

Updates