ML Models: Прогнозування підвищення кредитного ліміту

Опис проекту

Проект аналізує дані клієнтів для прогнозування ймовірності підвищення кредитного ліміту протягом 30 днів після оцінки.

Бізнес-завдання Визначити клієнтів, яким з високою ймовірністю підвищать ліміт, щоб оптимізувати кредитну політику та зменшити ризики.

Дані Кредитна історія, поведінка, демографія тощо. Формат файлу має бути - feather-файл (data/dataset.feather).

Таргет Бінарний клас: підвищення ліміту на ≥ 5000 грн (абсолютний приріст). Дисбаланс: ~2.61 % позитивного класу.

Основні етапи пайплайну

1. Завантаження даних
2. Оптимізація типів даних (зменшення обсягу пам'яті)
3. Аудит категоріальних ознак
4. Аналіз лімітів (pre vs in30d)
5. Формування таргету
6. Видалення leakage-колонок
7. Аналіз та обробка пропусків
8. Кореляційний аналіз з таргетом
9. Інженерія ознак → 10 фінальних фіч
10. Тренування вибраної моделі (або кількох)
11. Розрахунок метрик (AUC, Gini, Precision, Recall, F1, F2)
12. Пошук оптимального порогу за F2
13. Precision при фіксованому Recall = 0.8
14. Збереження моделі, графіків ROC/PR, порівняльної таблиці

Структура проекту

Як запустити

1. Створіть загальну папку DATA SCIENCE
2. Скопіюйте папку з проектом ML_models
3. Додайте в папку відповідний датасет dataset.feather
4. Перейдіть у загальну папку cd "/Users/.../..../DATA SCIENCE
5. Активуйте віртуальне середовище source ML_models/.venv/bin/activate
6. Встановіть необхідні пакети ``
7. Запустіть пайплайн python -m ML_models.main
8. Спочатку програма оптимізує датасет для побудови моделей.
9. Після чого оберіть модель:
   • logreg
   • xgboost
   • lightgbm
   • histgb або all щоб тренувати всі (рекомендовано)

Результати

Після виконання в папці ML_models/reports/ з'являться:

1. {model_name}.pkl — збережені моделі
2. {model_name}_baseline_curves.png — графіки ROC та Precision-Recall
3. model_comparison.csv — порівняльна таблиця
4. model_comparison.png — візуальна таблиця

Використані технології

• Python 3.14
• pandas, numpy, scikit-learn, logging, importlib, matplotlib, joblib
• XGBoost, LightGBM