Кредитный скоринг юридических лиц

Описание проекта

Проект посвящен разработке модели кредитного скоринга для юридических лиц. Основная цель модели — оценить кредитоспособность клиентов и помочь банку принять решение о выдаче кредита.

Структура репозитория

• solution.ipynb: Модель, включающая подробную обработку данных, улучшение модели и подбор гиперпараметров для повышения точности.
• solution.csv: Итоговые предсказания для тестового набора, подготовленные к отправке на платформу для оценки.

Основные этапы работы

1. Анализ данных:

   • Объединение данных из нескольких файлов.
   • Проверка на пропуски, анализ баланса классов и корреляций.
   • Удаление коррелированных и низковариативных признаков для улучшения интерпретируемости и предотвращения переобучения.

2. Обучение модели:

   • Выбрали библиотеку LightGBM, которая обеспечивает высокую производительность и поддерживает встроенные методы работы с дисбалансом классов.
   • Провели подбор гиперпараметров с помощью RandomizedSearchCV для улучшения качества модели.
   • Обучение проводилось с ранней остановкой для предотвращения переобучения.

3. Оценка качества:

   • Метрика ROC-AUC на валидационном наборе достигла значения 0.9667, что подтверждает высокую производительность модели.
   • Итоговая оценка на тестовом наборе составила 0.8155 ROC-AUC, что позволило нашей команде войти в топ-10 из 70 команд.

Достижения

Модель показала высокую точность предсказаний, и наша команда заняла 7 место из 70 команд. Это подчеркивает эффективность выбранного подхода и методики обработки данных.

Требования к установке

Для запуска ноутбука необходимо установить следующие библиотеки:

!pip install pandas numpy scikit-learn lightgbm