Project briefing from OpenClassrooms
L’entreprise souhaite mettre en œuvre un outil de “scoring crédit” pour calculer la probabilité qu’un client rembourse son crédit, puis classifie la demande en crédit accordé ou refusé. Elle souhaite donc développer un algorithme de classification en s’appuyant sur des sources de données variées (données comportementales, données provenant d'autres institutions financières, etc.).
De plus, les chargés de relation client ont fait remonter le fait que les clients sont de plus en plus demandeurs de transparence vis-à-vis des décisions d’octroi de crédit. Cette demande de transparence des clients va tout à fait dans le sens des valeurs que l’entreprise veut incarner.
Prêt à dépenser décide donc de développer un dashboard interactif pour que les chargés de relation client puissent à la fois expliquer de façon la plus transparente possible les décisions d’octroi de crédit, mais également permettre à leurs clients de disposer de leurs informations personnelles et de les explorer facilement.
API providing financial data about customers and their loan application results. The project is split in 3 github repositories:
Visit the live URL : https://p7-carl-demo.streamlit.app/
https://www.kaggle.com/c/home-credit-default-risk/data
$ make requirements
$ make data # automatically download and unzip dataset from Kaggle
Available rules:
clean Delete all compiled Python files
clean_code Clean notebooks and python fils with black and isort
create_environment Set up python interpreter environment
data Make Dataset
lint Lint using flake8
requirements Install Python Dependencies
test_environment Test python environment is setup correctly
update_API_models Copy models to local repo of API
├── Makefile <- Makefile with commands like `make data` or `make train`
├── README.md <- This README
├── data
│ ├── processed <- The final, canonical data sets for modeling.
│ └── raw <- The original, immutable data dump.
│
├── img <- image folder
│
├── models <- Trained model and shap explanation
│
├── notebooks <- Jupyter notebooks.
│
├── references <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports <- Generated analysis as HTML, PDF, LaTeX, etc.
│ └── figures <- Generated graphics and figures to be used in reporting
│
├── requirements.txt <- The requirements file for reproducing the analysis environment, e.g.
│ generated with `pip freeze > requirements.txt`
│
├── setup.py <- makes project pip installable (pip install -e .) so src can be imported
│
└── src <- Source code for use in this project.
├── __init__.py <- Makes src a Python module
│
└── features <- Scripts to turn raw data into features for modeling
└── lightgmb_with_simple_features.py <- Kaggle Kernel
- Aguiar from Kaggle for his Feature Engineering work
