Skip to content

README.md

Latest commit

 

History

History
90 lines (69 loc) · 5.39 KB

README.md

File metadata and controls

90 lines (69 loc) · 5.39 KB

Оценка кредитоспособности

Этот проект реализует модель машинного обучения для определения кредитоспособности физических лиц на основе нескольких предопределенных характеристик. Предоставлен пользовательский интерфейс для взаимодействия с моделью.

project_demo_scoring.gif

Содержание

Установка

Требования:

Шаги установки с использованием conda и конфигурационного файла:

  1. Клонируйте репозиторий: 
    git clone https://github.com/lpestov/credit_scoring.git
  2. Перейдите в директорию проекта: 
    cd credit_scoring/env
  3. Создайте и активируйте conda-окружение с использованием конфигурационного файла environment.yml: 
    conda env create --file environment.yml
conda activate credit-scoring
  4. Перейдите в директорию проекта: 
    ..
cd credit_scoring/src
  5. Запустите пользовательский интерфейс: 
    streamlit run UI.py
  6. Убедитесь, что установленная версия scikit-learn корректна (рекомендуется scikit-learn 1.6.1). При необходимости обновите её: 
    conda install scikit-learn=1.6.1

Использование

Этот проект предназначен для оценки кредитоспособности физических лиц. После запуска интерфейса Streamlit пользователю будет представлена форма для ввода необходимых параметров. Модель затем выдаст прогноз, указывающий, одобрен ли кредит или нет.

Данные

Для обучения и тестирования модели используется набор данных german_credit_data.csv Kaggle, содержащий информацию о 1000 физических лицах. Для анализа используются следующие признаки:

  • Age (numeric)
  • Sex (text: male, female)
  • Job (numeric: 0 - unskilled and non-resident, 1 - unskilled and resident, 2 - skilled, 3 - highly skilled)
  • Saving accounts (text - little, moderate, quite rich, rich)
  • Checking account (text - little, moderate, rich)
  • Credit amount (numeric, in Deutsch Mark)
  • Duration of credit (numeric, in month)
  • Purpose (text: car, furniture/equipment, radio/TV, domestic appliances, repairs, education, business, vacation/others)

Техническое описание

Основные файлы проекта:

  • UI.py
    Реализует веб-интерфейс с использованием Streamlit для сбора пользовательского ввода и отображения прогноза, который выполняется функцией predict.

  • input_processing.py
    Содержит функцию для предварительной обработки данных пользовательского ввода перед передачей их модели для прогнозирования.

  • one_hot_encoder.joblib
    Сохраненный one-hot кодировщик, используемый для категориальных признаков.

  • ordinal_encoder.joblib
    Порядковый кодировщик для признака "Сберегательный счет".

  • scaler.joblib
    Сохраненный скелер для стандартизации данных.

Описание решения:

  • К категориальным признакам (Sex, Housing, Checking account, Purpose) применяется one-hot кодирование.
  • Признак Saving accounts обрабатывается с использованием порядкового кодирования.
  • Для определения кредитоспособности сравнивались 3 модели: Random Forest Classifier,Gradient Boosting Classifier, CatBoost. Настройка гиперпараметров выполнялась с использованием GridSearch.
  • Лучшие результаты были достигнуты с моделью Gradient Boosting (ROC AUC: 0.764 на тестовом наборе данных).

Анализ данных, обучение и тестирование модели подробно описаны в блокноте Credit_scoring_final.ipynb.