نظام ذكي للتنبؤ بأهلية القروض البنكية وتقليص المخاطر الائتمانية باستخدام تعلم الآلة

مرحباً بك، في القطاع المصرفي والمالي، تعد أتمتة القرارات وتقليل المخاطر الائتمانية أمراً بالغ الأهمية. في هذا المشروع، قمت ببناء ونمذجة "نظام التنبؤ بالموافقة على القروض" (Loan Approval Prediction System) بهدف مساعدة المؤسسات المالية على تقييم أهلية العملاء بدقة وسرعة، وتحسين كفاءة العمليات التشغيلية. تم تنفيذ المشروع بالمرور بخطوات هندسة وعلم البيانات الكاملة: 1. تنظيف البيانات (Data Cleaning): - التعامل مع القيم المفقودة (Missing Values) في ميزات حاسمة مثل: التاريخ الائتماني (Credit_History)، حجم القرض (LoanAmount)، ونوع الجنس (Gender). 2. التحليل الاستكشافي للبيانات (EDA): - دراسة وتصور تأثير مستوى التعليم والتاريخ الائتماني على حالة قبول أو رفض القرض. 3. هندسة الميزات (Feature Engineering): - دمج البيانات لخلق ميزة إجمالية تمثل الدخل الكلي (Total_Income) وتجمع بين دخل المتقدم ودخل المتقدم المشترك (Applicant + Co-applicant). - تطبيق التحويل اللوغاريتمي (Log Transformation) للتعامل مع القيم الشاذة (Outliers) في نسب الدخل ومبالغ القروض لضمان استقرار النموذج. 4. بناء النمذجة والمقارنة (Modeling & Key Results): تم تطوير ومقارنة خوارزميتين للوصول لأفضل أداء: - نموذج الانحدار اللوجستي (Logistic Regression) وحقق دقة تصل إلى: ~78.86% - نموذج الغابة العشوائية (Random Forest Classifier) وحقق دقة تصل إلى: ~75.61% أبرز الرؤى المستخرجة (Insights): - أثبتت التحليلات وقياس أهمية الميزات (Feature Importance) أن التاريخ الائتماني (Credit_History) هو العامل الأقوى والأكثر تأثيراً على قرار الموافقة على القرض. الهدف من هذا المشروع هو تقديم أداة تعتمد على البيانات لدعم اتخاذ القرار الائتماني وتقليل نسبة الديون المتعثرة.