LordBaldwin4/Scoring-Bancaire-Senegal-SBS-

Le scoring bancaire est une méthode utilisée pour évaluer la probabilité qu’un client fasse défaut sur un crédit. Ce projet a pour objectif de simuler un système de scoring bancaire adapté au contexte sénégalais**, permettant aux banques et institutions financières de prendre des décisions plus éclairées concernant l’octroi de crédits. # 🏦 Scoring Bancaire — Marché Sénégalais ### Système de prédiction de défaut de crédit par Machine Learning *Simulation complète d'un pipeline de scoring bancaire adapté au contexte économique sénégalais — de la génération des données à l'évaluation des modèles.* --- ## 📋 Présentation Le **scoring bancaire** est une méthode utilisée par les institutions financières pour évaluer la probabilité qu'un client fasse défaut sur un crédit. Ce projet simule un pipeline complet de scoring adapté au marché sénégalais : - 📊 Génération d'un dataset synthétique **réaliste** (2 000 clients, chiffres en FCFA) - 🔧 Preprocessing et standardisation des données - 🤖 Entraînement de deux modèles ML avec optimisation des hyperparamètres - 📈 Évaluation complète avec AUC-ROC, matrices de confusion, courbes ROC - 🖥️ Tableau de bord interactif Tkinter --- ## 📊 Résultats des modèles > Les résultats ci-dessous sont obtenus sur **400 observations de test** (20% du dataset). > Le taux de défaut dans les données est de **31.6%**, calibré sur les données BCEAO/UEMOA. | Métrique | Random Forest | Régression Logistique | |---|:---:|:---:| | **AUC-ROC** | 0.743 | **0.765** | | Accuracy | 69% | **71%** | | Précision — classe Défaut | 50% | 53% | | Rappel — classe Défaut | 67% | **73%** | | F1-score — classe Défaut | 0.57 | **0.61** | | Faux positifs | 84 | **81** | | Faux négatifs | 41 | **34** | **Lecture des résultats :** - La **Régression Logistique** obtient le meilleur AUC (0.796) et détecte mieux les défauts (rappel 71%) — idéale si minimiser les faux négatifs est prioritaire (ne pas rater un mauvais payeur). - Le **Random Forest** génère moins de faux positifs (63 vs 86) — idéal si minimiser les refus injustifiés de bons clients est prioritaire. - Le choix entre les deux dépend du **coût métier** associé à chaque type d'erreur. --- ## 🖼️ Visualisations ### Matrices de Confusion ### Courbes ROC ### Matrice de Corrélation ### Tableau de Bord — Aperçu du Dataset -- …