Automatizovani sistem za procenu kredita

💼 Automatizovani sistem za ocenu kredita 💰

Moderne finansijske institucije obrađuju hiljade zahteva za kredit dnevno.
Da bi brzo i ispravno odlučile ko je podoban, banke koriste automatizovane sisteme
zasnovane na modelima rizika.

Takav sistem treba da bude izgrađen upravo od tebe. Dobio si pristup realnom skupu
podataka sa kreditnim aplikacijama, zajedno sa njihovom istorijom odobravanja.
Tvoj cilj je da razviješ model koji može da oceni nove zahteve koje šalju
klijenti.

Stavljene su ti na raspolaganje dve datoteke:

• train.csv - istorijski zahtevi sa konačnom odlukom (loan_status)
• test.csv - novi zahtevi, za koje nemamo pridruženu odluku

Glavni cilj: predviđanje verovatnoće na osnovu koje možemo klasifikovati svaki zahtev kao odobren ili odbačen (verovatnoća između 0 i 1, gde 0 znači da sigurno nije odobren kredit i 1 znači da je sigurno odobren kredit).

📊 Skup podataka

Svaki zapis predstavlja zahtev za kredit, sa demografskim,
finansijskim, bihevioralnim informacijama i detaljima o tipu traženog kredita.

Glavni atributi:

• customer_id - jedinstveni identifikator
• age, occupation_status, years_employed
• annual_income, credit_score, credit_history_years
• savings_assets, current_debt
• defaults_on_file, delinquencies_last_2yrs, derogatory_marks
• product_type, loan_intent, loan_amount, interest_rate
• debt_to_income_ratio, loan_to_income_ratio, payment_to_income_ratio
• loan_status - samo u train.csv, etiketa za predviđanje

Konačni cilj je da predvidiš loan_status za redove iz test.csv.

📝 Zadaci

Prva tri podzadatka proveravaju razumevanje strukture skupa podataka.
Poslednji podzadatak ocenjuje model klasifikacije.

Podzadatak 1 (10 poena)

Klasifikujte svakog podnosioca zahteva iz test skupa prema godinama:

• Young ako je age < 30
• Adult ako je 30 ≤ age < 60
• Senior ako je age ≥ 60

Podzadatak 2 (15 poena)

Odredite nivo rizika na osnovu debt_to_income_ratio:

• LowRisk ako je DTI < 20
• MediumRisk ako je 20 ≤ DTI < 40
• HighRisk ako je DTI ≥ 40

Podzadatak 3 (15 poena)

Za svaki red iz testa, izračunajte:

1total_obligations = current_debt + derogatory_marks + delinquencies_last_2yrs

Vratite ceo broj.

Podzadatak 4 (60 poena)

Izgradite model klasifikacije koji predviđa loan_status (verovatnoću p iz [0,1]) za svaki red iz testa.

Ocenjivanje se vrši koristeći AUC (Area Under the ROC Curve).

🧮 Ocenjivanje

• AUC ≥ 0.95 → 60 poena
• AUC ≤ 0.80 → 0 poena
• Interval između njih: proporcionalni broj poena

Podzadaci 1–3 se ocenjuju tačno (poređenjem).

📄 Format datoteke za predaju

Datoteka submission.csv treba da sadrži po 4 linije za svaki red iz testa,
koje odgovaraju 4 podzadatka.

Struktura:

1subtaskID datapointID answer

gde je:

• subtaskID - 1, 2, 3 ili 4
• datapointID - vrednost customer_id
• answer - koja može imati jednu od sledećih vrednosti (u zavisnosti od zadatka):
  • Podzadatak 1: Young / Adult / Senior
  • Podzadatak 2: LowRisk / MediumRisk / HighRisk
  • Podzadatak 3: ceo broj
  • Podzadatak 4: verovatnoća da je loan_status = 1 (realan broj 0–1)

Primer za customer_id = 9071:

1subtaskID datapointID answer21 9071 Adult32 9071 MediumRisk43 9071 1254 9071 0.742

Uspeh u razvoju automatizovanog sistema za ocenu kredita!

📊 Metrika ocenjivanja: ROC AUC 📈

Za Podzadatak 4, ocenjivanje se vrši koristeći ROC AUC (Area Under the ROC Curve).
Ovo je jedinstvena mera koja sintetiše performanse klasifikatora za sve moguće pragove odlučivanja.

Kako se računa ROC AUC?

1. Crta se ROC kriva, koja predstavlja:
   • TPR (True Positive Rate) - ispravna stopa odobravanja odobrenih zahteva
   • FPR (False Positive Rate) - stopa neispravno odobrenih odbačenih zahteva

2. Površina ispod krive (AUC) se računa koristeći pravilo trapeza:
   • Kriva se deli na trapeze koristeći vertikalne linije na vrednostima FPR i horizontalne linije na vrednostima TPR
   • Sabiru se površine trapeza da bi se dobila konačna vrednost AUC

3. Interpretacija rezultata:
   • ROC AUC = 1 🏆 → savršen klasifikator, svi zahtevi su ispravno klasifikovani
   • ROC AUC = 0.5 🎲 → slučajan klasifikator, bez prediktivne moći
   • 0.5 < ROC AUC < 1 📈 → koliko dobro klasifikator razdvaja klase