📌 Предсказание вероятности дефолта компании

🔍 Описание проекта

Цель проекта — разработать модель машинного обучения для прогнозирования вероятности того, что компания имеет признаки дефолта.
Основные источники данных: финансовая отчетность, судебные данные и государственные реестры. Командный github, папка PSB: https://github.com/XXXkoshaster/17-23.git

✅ Основные этапы реализации

1. Предобработка данных

• Парсинг больших JSON-файлов из государственных реестров.
• Обработка пропусков (статистические методы и бизнес-правила).
• Масштабирование числовых признаков (scaling).
• Удаление мультиколлинеарности через корреляционный анализ.

2. Инженерия признаков (Feature Engineering)

• Построены динамические признаки, отражающие тренды изменения финансовых показателей компании.
• Созданы признаки по судебным данным: количество дел, динамика их закрытия, типы дел.
• Отбор наиболее значимых признаков с использованием анализа важности.

3. Обучение модели

• Использована модель XGBoost, оптимизированная для табличных данных.
• Настройка гиперпараметров через GridSearch и кросс-валидацию.
• Оптимизация метрик (ROC-AUC, Precision-Recall) для дисбалансированных данных.

4. Интерпретация результатов

• Применение SHAP для объяснения влияния признаков.
• Построение отчетов с визуализацией факторов риска.

---

🛠 Технологический стек

• Язык: Python
• Библиотеки: Pandas, NumPy, Scikit-learn, XGBoost, SHAP
• Визуализация: Matplotlib, Seaborn

---

📊 Результаты

• ROC-AUC: ~0.72 на тестовой выборке