Projekt: Predikce schválení půjčky pomocí různých modelů strojového učení

Cil projektu:

Společnost má zájem o automatizaci procesu schvalování půjček na základě informací poskytnutých zákazníky při vyplňování online žádosti. Vývoj modelů strojového učení by měl společnosti umožnit lépe předpovídat schválení půjčky a zároveň urychlit rozhodování o tom, zda žadatel splňuje podmínky pro její získání.

Soubory ke stažení:

• Jupyter Notebook – Predikce schválení půjčky + Postup
• CSV – Dataset

Zadání:

• Analyzovat zákaznická data poskytnutá v datové sadě (EDA)
• Vytvořit různé modely strojového učení, které dokážou předpovědět schválení půjčky

Modely strojového učení použité v tomto projektu:

1. Logistic Regression
2. K-Nearest Neighbour (KNN)
3. Support Vector Machine (SVM)
4. Naive Bayes
5. Decision Tree
6. Random Forest
7. Gradient Boost

Popis datové sady:

Tato datová sada obsahuje 13 proměnných:

• 8 kategoriálních proměnných,
• 4 spojité proměnné a
• 1 proměnnou pro identifikátor půjčky (Loan ID).

Data:

• 614 záznamů
• Loan_ID – Referenční číslo půjčky (unikátní ID)
• Gender – Pohlaví žadatele (Muž nebo Žena)
• Married – Rodinný stav žadatele (ženatý/vdaná nebo svobodný/á)
• Dependents – Počet členů rodiny
• Education – Vzdělání/kvalifikace žadatele (vysokoškolské nebo nižší)
• Self_Employed – Zaměstnanecký status žadatele (ano – OSVČ, ne – zaměstnaný/jiný)
• ApplicantIncome – Měsíční příjem žadatele
• CoapplicantIncome – Měsíční příjem spolužadatele
• LoanAmount – Požadovaná částka půjčky
• Loan_Amount_Term – Doba splatnosti půjčky (v dnech)
• Credit_History – Záznam o předchozí úvěrové historii (0: špatná, 1: dobrá)
• Property_Area – Umístění nemovitosti (venkov / příměstská / městská oblast)
• Loan_Status – Stav žádosti o půjčku (Y: schváleno, N: zamítnuto)

Výsledek:

Obecně lze říci, že všechny modely mohou dosáhnout až 70% přesnosti. Nejvyšší dosažená přesnost je 81 %.