Illustration conceptuelle · aucune entreprise ou résultat réel
À l’origine du projet
Un projet universitaire né d’une question . Quelles informations utiles sur le risque de faillite puis-je tirer des données des entreprises ?
Problèmes et décisions
Choisir la métrique
Les faillites sont la classe rare . Ne pas les détecter peut coûter plus cher qu’une fausse alerte. J’ai aussi utilisé le score F3, qui donne plus de poids au rappel qu’à la précision, pour étudier ce compromis.
Comparer les stratégies
J’ai comparé modèles et seuils pour voir évoluer les cas détectés et les fausses alertes, et étudié l’importance des variables avec Random Forest.
Comment il fonctionne
Un notebook Python prépare et standardise des données tabulaires avec pandas, NumPy et les outils de scikit-learn.
Random Forest permet d’étudier l’importance des variables . Les expériences comparent des configurations RF et des machines à vecteurs de support.
Les essais de réseaux neuronaux utilisent TensorFlow/Keras et examinent architectures, régularisation et signes de surapprentissage.
Seuils de décision et groupes de variables sont comparés avec le F3-score, les courbes ROC et les graphiques enregistrés dans le notebook.
Dans le projet
Des données à leur interprétation : les étapes du projet.
01Données et préparation
02Variables et standardisation
03Random Forest · SVM · réseaux neuronaux
04Seuils · F₃ · ROC · surapprentissage
Schéma descriptif du projet
Ce que j’ai appris
Ce projet m’a appris à lire un score avec les erreurs qu’il recouvre. Changer la métrique ou le seuil change les cas détectés. Quand je compare des modèles, je veux rendre ce compromis compréhensible.
État du projet
Projet universitaire exploratoire. Les graphiques documentent les exécutions enregistrées dans le notebook. Il faudrait une évaluation indépendante sur de nouvelles données pour vérifier les conclusions.
Décrivez ce que vous souhaitez construire ou améliorer, pour qui et avec quelles contraintes. Je vous répondrai pour définir ensemble le point de départ.
