Démarche Scientifique

---

1. Feature Engineering & Fusion

---

Fusion complexe de plusieurs sources (Bureau, Previous Applications, POS_CASH) par identifiant client (SK_ID_CURR). Nettoyage des valeurs aberrantes et création de variables synthétiques comme le ratio d'endettement ou l'ancienneté d'emploi en années.

2. Sélection et Entraînement des Modèles

---

Comparaison de plusieurs algorithmes pour identifier le plus performant :

• Régression Logistique : Baseline pour la linéarité.
• Random Forest : Pour capturer les interactions complexes.
• XGBoost : Choisi comme modèle final pour sa précision supérieure (Boosting d'arbres) et sa rapidité de traitement.

3. Stratégie de Gestion du Déséquilibre

---

Le dataset présentait seulement 8% de défauts de paiement. Pour éviter un modèle biaisé, nous avons appliqué une technique de sur-échantillonnage afin d'équilibrer les classes et améliorer la détection des profils à risque.

4. Optimisation du Seuil Décisionnel

---

Mise en place d'une fonction de coût métier. Le seuil optimal a été fixé à 0.53 pour minimiser les pertes financières, en considérant qu'un défaut non prédit coûte beaucoup plus cher qu'un refus de prêt injustifié.