hamadiallo789-beep/python-ml-ciblage-vulnerabilite-burkina

Modele de Machine Learning (Python/scikit-learn) pour le ciblage humanitaire (Proxy Means Test) : prediction de la vulnerabilite des menages et simulation de ciblage budgetaire - Burkina Faso. # Ciblage humanitaire par Machine Learning — Proxy Means Test (Burkina Faso) Modèle de **Machine Learning en Python** (scikit-learn) pour prédire la vulnérabilité des ménages et optimiser le ciblage d'un programme d'assistance humanitaire (transferts monétaires / sécurité alimentaire) sous contrainte budgétaire. Ce dépôt sert de démonstration de compétences en data science appliquée au suivi-évaluation (MEAL) : modélisation prédictive, validation de modèle, et traduction des résultats en recommandation opérationnelle chiffrée. ## Contexte Les programmes d'assistance humanitaire disposent rarement d'un budget suffisant pour couvrir l'ensemble d'une population en besoin. Le **Proxy Means Test (PMT)** est la méthode standard utilisée par les agences (PAM, HCR, ONG) pour estimer la vulnérabilité d'un ménage à partir de caractéristiques observables (habitat, actifs, éducation, taille du ménage) sans avoir à mesurer directement le revenu — difficile à collecter de façon fiable en zone rurale. Ce projet simule un scénario réaliste : une enquête auprès de **1 100 ménages** dans 5 régions du Burkina Faso (Sahel, Est, Nord, Centre-Nord, Boucle du Mouhoun), avec pour objectif de prédire quels ménages sont réellement vulnérables et d'évaluer combien un modèle de ciblage bien calibré peut améliorer l'efficacité de l'assistance par rapport à un ciblage naïf. > Les données utilisées sont **synthétiques**, construites pour reproduire la structure et les corrélations réelles d'une enquête PMT (le label de vulnérabilité intègre un bruit aléatoire volontaire pour que le problème de classification reste réaliste et non trivial). ## Objectifs 1. Prédire la vulnérabilité d'un ménage à partir de variables socio-économiques facilement observables sur le terrain. 2. Comparer une approche interprétable (régression logistique) et une approche non-linéaire (Random Forest), avec validation croisée. 3. Identifier les variables les plus déterminantes du risque de vulnérabilité. 4. **Chiffr …