credit-risk-prediction - R

Prédiction de Défauts de Paiement - Projet R

Projet réalisé en R dans le cadre du cours d’Informatique Décisionnelle en Licence 3 Intelligence Artificielle (L3 IA) à l’Université Côte d’Azur.
L’objectif est de prédire le risque de défaut de paiement de clients bancaires à partir de données financières et démographiques.

This project was developed in R as part of the Business Intelligence course in the 3rd year of the Artificial Intelligence Bachelor's degree (L3 AI) at Université Côte d'Azur. The objective is to predict the risk of default for bank customers based on financial and demographic data.

---

📌 Objectifs du projet

• Nettoyer et préparer les données (valeurs manquantes, typage).
• Explorer les variables influençant le risque de défaut.
• Entraîner plusieurs modèles de classification en R :
  • Régression logistique
  • Arbre de décision
  • Random Forest
  • Gradient Boosting (XGBoost)
• Comparer les performances via :
  • Matrice de confusion
  • Sensibilité (Recall)
  • Précision
  • F1-score
  • AUC ROC
• Sélectionner le modèle le plus performant.
• Générer un fichier CSV pour les nouveaux clients (classe + probabilité).

📌 Project Objectives

• Clean and prepare the data (missing values, typing).

• Explore the variables influencing default risk.

• Train several classification models in R:

• Logistic regression

• Decision tree

• Random Forest

• Gradient Boosting (XGBoost)

• Compare performance using:

• Confusion matrix

• Sensitivity (Recall)

• Accuracy

• F1 score

• AUC ROC

• Select the best-performing model.

• Generate a CSV file for new clients (class + probability).

---

📂 Données utilisées

• Data Projet.csv :
  6000 clients avec variable default.

• Data Projet New.csv :
  500 clients à prédire.

📂 Data Used

• Data Project.csv:

6000 clients with a default variable.

• Data Project New.csv:

500 clients to predict.

---

🧠 Technologies

• R
• tidyverse
• caret
• rpart
• randomForest
• xgboost
• pROC

---

🏗️ Structure du projet