api_predict

https://github.com/SofianeB-03/api_predict

Objectifs

• L'objectif de ce projet est de mettre en place un outil permettant de prédire la probabilité qu'un client remboursera son crédit
• Cet outil se base sur un modèle Machine Learning de classification supervisée
• Cet outil de prédiction sera mise en production à l’aide d’une API, et un dashboard interactif qui appelle cet API est mis en place afin de faciliter l'utilisation de cet outil via une interface graphique.

Dependences

• Les dépendances sont spécifiés dans le fichier requirements.txt
• il suffit de lancer la commande: pip install -r requirements.txt

Fonctionnalités

API

A partir d'un identifiant client:

• on retourne la probabilité que ce client rembourse son crédit
• on retourne l'interprétabilité du modèle pour ce client i.e quelles variables ont le plus contribué à la prédicition

Dashboard

• Selectionner l'ID d'un client depuis une liste déroulante
• Affichage des informations relatif au client séléctionné
• Comparaison du client avec l'ensemble des clients de la base
• Boutton "run prediction" qui appelle l'API pour calculer la probabilité que ce client rembourse son crédit

Arborescence

/api_predict
  basic_app.py
  clients_api.csv
  model.pkl
  README.md
  requirements.txt
  test_basic_app.py
  user_interface.py
  utils_ui.py
  X_train_DEBBUG.npz
  y_train_DEBBUG.npy
  /github
    /workflows
	  ci.yml

• basic_app.py: le code de l'API
• test_basic_app.py: le code pour faire les tests unitaires de l'API
• user_interface.py: le code du dashboard
• utils_ui.py: des fonctions utiles pour le code du dashboard
• clients_api.csv: la base de clients
• ci.yml: le fichier de configuration pour automatiser dans un pipeline tout le processus de déploiement avec Github Action
• model.pkl: le modèle de scoring au format pickle
• X_train_DEBBUG.npz, y_train_DEBBUG.npy: des fichiers nécessaires pour l'interpretabilité du modèle