Previsione dell'affidabilità creditizia per il rilascio della carta di credito

Descrizione del progetto

Questo progetto, realizzato durante il Master in Data Science di ProfessionAI, si propone di sviluppare col linguaggio Python e la libreria scikit-learn, su ambiente Google Colab, un modello di machine learning per prevedere l'affidabilità dei clienti di una banca che richiedono la carta di credito. Il progetto analizza i dati dei richiedenti, fornendo uno strumento utile alle istituzioni finanziarie per ridurre i rischi di insolvenza e migliorare l'efficienza del processo decisionale.

Politica aziendale

Si ipotizza che la banca abbia necessità di adottare una politica di assunzione del rischio e pertanto l'obiettivo è quello di massimizzare la recall dei clienti ritenuti affidabili. In questo modo si riducono al minimo i clienti affidabili classificati come inaffidabili senza perdere potenziali clienti validi, anche a costo di una precisione minore.

Dataset

Si hanno a disposizione due dataset, contenuti all'interno del file zip credit_card_approval.zip presente nel repository:

1. application_record.csv: contiene informazioni personali e finanziarie dei richiedenti come ID, età, stato civile e reddito (438557 samples).

2. credit_record.csv: include i dati sullo storico dei pagamenti dei richiedenti (1048575 samples):

   • ID: codice identificativo univoco del cliente.
   • MONTHS_BALANCE: il mese dei dati estratti è il punto di partenza ossia 0 è il mese corrente, -1 è il mese precedente e così via.
   • STATUS: 0: scaduto da 1-29 giorni; 1: scaduto da 30-59 giorni; 2: scaduto da 60-89 giorni; 3: scaduto da 90-119 giorni; 4: scaduto da 120-149 giorni; 5: debiti scaduti o inesigibili, più di 150 giorni; C: saldati quel mese ed X: nessun prestito per il mese.

Struttura del progetto

Il progetto è organizzato nelle seguenti fasi:

1. Analisi esplorativa:

   • Studio delle variabili presenti nei file application_record.csv e credit_record.csv.

2. Creazione della variabile target RELIABILITY:

   • Si combinano in un'unica variabile le features MONTHS_BALANCE e STATUS creando il target RELIABILITY: indicatore di affidabilità suddiviso in 3 classi (classificazione multiclasse):

     • Classe I (Indefinite Reliability): il cliente non ha mai richiesto un prestito (STATUS assume soltanto la modalità X).
     • Classe R (Reliable Customer): il cliente è affidabile (modalità più frequente di STATUS: C).
     • Classe U (Unreliable Customer): il cliente è inaffidabile (modalità più frequente di STATUS: 0, 1, 2, 3, 4 o 5).

   • Classi sbilanciate: I (9.18 %) - R (39.24 %) - U (51.58 %).

3. Preprocessing dei dati:

   • Pulizia e unione dei dati provenienti dai due dataset.
   • Encoding delle variabili categoriche tramite label encoding e one-hot encoding.

4. Analisi descrittiva del comportamento delle features in relazione al target:

   • Confronto tra le diverse features e la variabile target costruita.

5. Modellazione e tecniche di bilanciamento delle classi:

   • Si valutano i seguenti modelli di machine learning per svolgere la classificazione multiclasse applicando quando possibile tecniche di bilanciamento e feature selection:

     • Logistic Regression: utilizzo del parametro class_weight="balanced"
     • Complement Naive Bayes
     • Support Vector Machines: utilizzo del parametro class_weight="balanced"
     • K-Nearest Neighbors: utilizzo del parametro weights="distance"
     • Decision Tree: valutate le prestazioni anche con feature selection.
     • Random Forest: valutate le prestazioni anche con feature selection.
     • Multilayer Perceptron: valutate le prestazioni utilizzando anche la tecnica SMOTE.

6. Addestramento e valutazione:

   • Addestramento e valutazione tramite cross-validation (eventuale standardizzazione o normalizzazione dei dati a seconda del modello).
   • Metriche valutate: accuracy, precision, recall, AUC e confusion matrix (quest'ultima calcolata solo per il modello "migliore").
   • Priorità alla massimizzazione della recall della classe R (Reliable Customer) in base alla politica di assunzione del rischio della banca.

7. Scelta del modello "migliore" e risultati sintetici:

   • Il modello "migliore" è il Decision Tree con le feature selezionate: recall della classe R sul test set pari al 63.56 %.
   • Applicando poi dei pesi personalizzati alle classi (class_weight={"I": 0.1, "R": 1.0, "U": 0.1}), la recall della classe R sul test set raggiunge l'84 % individuando un numero elevato di clienti affidabili anche se a discapito di una precision di circa il 50 % (viene concessa la carta anche a clienti con un profilo di rischio più alto). Viene quindi rispettata la politica aziendale della banca.

Tecnologie utilizzate

• Linguaggio: Python
• Ambiente di sviluppo: Google Colab (Jupyter Notebook)
• Librerie:
  • pandas
  • numpy
  • matplotlib
  • seaborn
  • scikit-learn
  • imblearn

Utilizzo

1. Scarica o clona il repository.
2. Apri il file affidabilità_creditizia_rilascio_carta_di_credito.ipynb su Google Colab o altri ambienti compatibili con Jupyter Notebook.
3. Esegui il codice passo-passo per ottenere i risultati.
4. I dataset utilizzati si trovano nel file credit_card_approval.zip presente nel repository ed estratto durante l'esecuzione del notebook.

Autore

Virginio Cocciaglia

---