Presentation 2023

ANALYSE ET
PRÉDICTION DE
L'OCTROI DE PRÊTS
BANCAIRES

Presenté par :
Mouhammed niah

lien vers le projet : Notebook

 PLAN
01 Introduction

02 Description du Projet

03 Analyse des Données

04 Modélisation et Résultats

05 Conclusion

lien vers le projet : Notebook

Introduction

07

lien vers le projet : Notebook

 Ce projet d'analyse de données se
focalise sur l'octroi des prêts
bancaires en examinant les critères
Présentation déterminants. L'objectif est de
développer un modèle prédictif précis
du contexte du en utilisant des données variées,
telles que l'historique de crédit et le
projet revenu, afin d'améliorer les pratiques
d'octroi de prêts. Cette analyse
approfondie vise à fournir des insights
essentiels pour guider les futures
décisions financières
07

lien vers le projet : Notebook

 L'octroi de prêts bancaires joue un
Importance rôle crucial dans l'économie en
stimulant la croissance économique et
de l'octroi de en soutenant les projets individuels et
commerciaux. Il est essentiel
prêts d'optimiser ce processus pour garantir
la stabilité financière et favoriser le
bancaires développement.

07

lien vers le projet : Notebook

Description
du Projet

07

lien vers le projet : Notebook

 La problématique centrale de ce projet
réside dans l'octroi de prêts bancaires. Pour
résoudre ce problème, nous examinons un
Présentation ensemble de variables telles que le sexe,
l'état matrimonial, le statut d'emploi, le
détaillée du revenu, l'éducation, le montant du prêt
demandé, la durée du prêt, l'historique de
problème à crédit et la zone d'habitation des
résoudre emprunteurs. Ces données variées nous
permettent de comprendre les critères qui
influent sur la décision d'octroi de prêt,
aidant ainsi à développer un modèle
prédictif robuste.
07

lien vers le projet : Notebook

 Dans notre méthodologie d'analyse des
données, nous avons procédé à une
collecte exhaustive et précise des variables
pertinentes telles que le sexe, l'état
Méthodologie matrimonial, le revenu, l'historique de crédit,
et d'autres. Après avoir préparé les
utilisée données en traitant les valeurs manquantes
et les aberrations, nous avons utilisé des
techniques avancées, notamment la
régression logistique, pour entraîner des
modèles de prédiction. Cette approche
méthodique a abouti à des résultats précis
et informatifs, nous permettant de résoudre
07 efficacement le problème de l'octroi de
prêts bancaires.
lien vers le projet : Notebook
Analyse des
Données

07

lien vers le projet : Notebook

 Les données utilisées dans cette analyse
ont été extraites de la plateforme Kaggle,
une source fiable de jeux de données
diversifiés. Après avoir récupéré le jeu de
Collecte et données, nous avons procédé à une
préparation minutieuse des données. Cette
Préparation étape a impliqué l'élimination des valeurs
des Données manquantes, le traitement des valeurs
aberrantes et la normalisation des variables
pertinentes. Il est essentiel de garantir la
qualité des données afin d'obtenir des
résultats fiables et significatifs dans notre
07 analyse.

lien vers le projet : Notebook

Exploration et L'exploration des données a impliqué
l'utilisation de diverses techniques
analyse statistiques et visuelles pour comprendre la
exploratoire distribution des variables, les corrélations
potentielles et les schémas dans les
des données données.

lien vers le projet : Notebook

Relation entre Prêt et historique de crédit

L'analyse graphique met en évidence l'influence

significative de l'historique de crédit sur
l'approbation des prêts. Les emprunteurs ayant un
historique de crédit positif ont nettement plus de
chances d'obtenir un prêt, tandis que ceux avec un
historique négatif ou absent sont fortement
désavantagés.

lien vers le projet : Notebook

Relation entre Prêt et diplome

Les emprunteurs diplômés ont une probabilité

significativement plus élevée d'obtenir un prêt par
rapport à leurs homologues non-diplômés. Ces
résultats mettent en lumière l'importance de
l'éducation dans le processus d'approbation des
prêts, indiquant une préférence pour les
emprunteurs ayant un niveau d'éducation supérieur.
Une analyse plus approfondie serait nécessaire pour
comprendre pleinement l'influence d'autres variables
sur cette tendance.

lien vers le projet : Notebook

Techniques
utilisées pour Pour garantir la fiabilité de notre analyse,
nous avons pris des mesures pour traiter
le traitement des les valeurs manquantes en supprimant les
lignes correspondantes. De plus, afin
données es d'assurer la cohérence et la comparabilité
manquantes des données, nous les avons également
et des valeurs normalisées

aberrant
07

lien vers le projet : Notebook

Modélisation
et Résultats

07

lien vers le projet : Notebook


Choix des Algorithmes
de Machine Learning
07
lien vers le projet : Notebook
Pour répondre aux exigences de notre tâche de
classification des prêts bancaires, j'ai
sélectionné le KNN classifier en raison de son
approche basée sur la similarité des données et
de la régression logistique pour sa capacité à
traiter efficacement les ensembles de données
de taille modérée. Le KNN classifier évalue les
emprunteurs en fonction de caractéristiques
similaires à celles de leurs voisins, tandis que la
régression logistique offre un bon équilibre entre
la performance du modèle et son pouvoir
explicatif, permettant ainsi de comprendre les
variables influentes dans le processus de
décision d'approbation des prêts. Ces choix
visent à garantir des résultats précis et une
interprétabilité des décisions de prêt pour les
institutions financières.

Choix des Algorithmes
de Machine Learning
07
lien vers le projet : Notebook
Pour répondre aux exigences de notre tâche de
classification des prêts bancaires, j'ai
sélectionné le KNN classifier en raison de son
approche basée sur la similarité des données et
de la régression logistique pour sa capacité à
traiter efficacement les ensembles de données
de taille modérée. Le KNN classifier évalue les
emprunteurs en fonction de caractéristiques
similaires à celles de leurs voisins, tandis que la
régression logistique offre un bon équilibre entre
la performance du modèle et son pouvoir
explicatif, permettant ainsi de comprendre les
variables influentes dans le processus de
décision d'approbation des prêts. Ces choix
visent à garantir des résultats précis et une
interprétabilité des décisions de prêt pour les
institutions financières.
 J'ai évalué les modèles en utilisant l'accuracy
score et la matrice de confusion, mesurant ainsi
la précision globale et les performances
Évaluation détaillées des prédictions. Cependant, une
évaluation plus approfondie aurait pu être
des Modèles effectuée en utilisant des métriques
supplémentaires, mais j'ai utilisé les outils
disponibles dans le cadre de ce projet.

07

lien vers le projet : Notebook

 Dans ce projet, j'ai développé un modèle
permettant de prédire l'approbation d'une
demande de prêt pour les emprunteurs.
En utilisant différentes variables et
Conclusion techniques d'analyse, ce modèle offre des
informations cruciales pour déterminer
l'éligibilité des individus aux prêts
bancaires. Pour en savoir plus sur le
fonctionnement du modèle, vous pouvez
consulter le Notebook.
07

lien vers le projet : Notebook