Illustrazione concettuale · non raffigura aziende o risultati reali
Da dove nasce
Un progetto universitario nato da una domanda. Quali informazioni utili sul rischio di fallimento posso ricavare dai dati aziendali?
Problemi e scelte
Scegliere la metrica
I fallimenti sono la classe rara. Ignorarli può costare più di un falso allarme. Ho usato anche F3, che dà più peso al richiamo rispetto alla precisione, per analizzare questo compromesso.
Confrontare strategie
Ho confrontato modelli e soglie per vedere come cambiano i casi individuati e i falsi allarmi, e studiato l’importanza delle variabili con Random Forest.
Come funziona
Un notebook Python prepara e standardizza i dati tabellari con pandas, NumPy e strumenti di scikit-learn.
Random Forest permette di studiare l’importanza delle variabili. Gli esperimenti confrontano configurazioni RF e Support Vector Machine.
Le prove con reti neurali usano TensorFlow/Keras e analizzano architetture, regolarizzazione e segnali di overfitting.
Soglie decisionali e gruppi di variabili sono confrontati attraverso F3-score, curve ROC e grafici salvati nel notebook.
Dentro il progetto
Dal dato alla lettura: le fasi del progetto.
01Dati e preparazione
02Variabili e standardizzazione
03Random Forest · SVM · reti neurali
04Soglie · F₃ · ROC · overfitting
Schema descrittivo del progetto
Cosa ho imparato
Questo progetto mi ha insegnato a leggere un punteggio insieme agli errori che contiene. Cambiare metrica o soglia cambia i casi individuati. Quando confronto modelli, voglio rendere chiaro anche questo compromesso.
A che punto è
Progetto universitario esplorativo. I grafici documentano le esecuzioni salvate nel notebook. Per verificare le conclusioni servirebbe una valutazione indipendente su nuovi dati.
