نموذج تصنيف مخاطر التعثر عن سداد القروض

نموذج تعلم آلة حساس للتكلفة لقرارات الموافقة على القروض المشكلة عندما يقيّم البنك أو الجهة المقرضة طلب قرض، يواجه نوعين من الأخطاء المحتملة — وهما ليسا متساويين في التكلفة: رفض عميل جيد ← خسارة دخل الفوائد المحتمل الموافقة على عميل سيئ ← خسارة محتملة لأصل المبلغ المُقرض (عادة أكثر تكلفة بكثير) معظم النماذج التعليمية تُحسّن الدقة فقط، وهذا يفترض ضمنيًا أن الخطأين متساويان في التكلفة. في الواقع، الجهات المقرضة تتعامل معهما بشكل مختلف تمامًا. هذا المشروع يبني نموذجًا لتصنيف مخاطر التعثر عن سداد القروض حساس للتكلفة الفعلية، بنفس المنهجية المستخدمة في عملي كمحلل بيانات متدرب في قسم الذكاء الاصطناعي وحوكمة البيانات ببنك مصر. ملاحظة حول البيانات: البيانات المستخدمة هنا هي بيانات عامة (German Credit Dataset من UCI)، وليست بيانات بنك مصر الخاصة. المنهجية تحاكي سير عمل تقييم المخاطر الائتمانية الحقيقي: تحليل استكشافي ← هندسة الخصائص ← مقارنة نماذج حساسة للتكلفة ← تقييم موجه للأعمال. ماذا يغطي المشروع تحميل البيانات وفك تشفيرها التحليل الاستكشافي للبيانات (EDA) هندسة الخصائص (الترميز، القياس) تدريب النماذج: Logistic Regression (نموذج أساسي)، Random Forest، XGBoost تقييم حساس للتكلفة (وليس الدقة فقط) أهمية الخصائص والتفسير من منظور الأعمال النتيجة الرئيسية النموذج صاحب أعلى دقة (XGBoost، بمعدل ROC-AUC = 0.809) لم يكن الخيار الأفضل من الناحية التجارية. نموذج Logistic Regression، رغم دقة أقل بشكل طفيف (0.808)، كان لديه معدل استدعاء (Recall) أعلى بكثير للعملاء ذوي المخاطر العالية (78.7% مقابل 61.3%)، وكانت تكلفته أقل بنحو 30% وفق مقياس التكلفة التجارية. الخلاصة الأهم: المقياس الذي تُحسّن نموذجك بناءً عليه يُغيّر أي نموذج يجب أن تختاره فعليًا. فريق علم بيانات يسعى وراء أعلى AUC كان سيختار النموذج الخاطئ من منظور الأعمال. رابط المشروع على GitHub: https://github.com/Ashry130/loan-default-risk-classifier