Contexte académique
Modélisation du score de crédit bancaire à l'aide du machine learning
Cette plateforme matérialise les conclusions empiriques d'un mémoire de fin d'études dirigé par M. Sylvain Cherayron à l'Université Paris-Est Créteil. L'étude examine dans quelle mesure le revenu, la stabilité de l'emploi, le niveau d'endettement et l'historique de remboursement influencent la probabilité de défaut, et compare la performance prédictive de trois familles de modèles : régression logistique, Random Forest et XGBoost.
La conclusion centrale recommande une approche hybride : la régression logistique pour les décisions individuelles nécessitant une justification réglementaire, XGBoost pour la gestion de portefeuille à grande échelle, et SHAP pour assurer une explicabilité post-hoc conforme aux exigences du RGPD et de l'AI Act.