Tous les Projets
Détection de Fraude
Fraude aux Réclamations d'Assurance Véhicule
Pipeline de fraude de 16 modèles pour 15 420 réclamations (5,99% de fraude). AdaBoost maximise le rappel (89,2%). XGBoost RandomizedSearchCV : CV AUC 0,9847. SHAP : Fault (37,9%) est le principal indicateur de fraude.
0.9847
XGBoost CV AUC
89.2%
AdaBoost Recall
0.819
Voting Ensemble AUC
Fault (37.9%)
Top SHAP feature
Jeu de Données
15 420 réclamations d'assurance, 33 caractéristiques, 5,99% de fraude
Approche
SMOTE → benchmark de 16 modèles → HPO RandomizedSearchCV → analyse SHAP
Stack Technique
PythonXGBoostLightGBMCatBoostSMOTESHAPScikit-learn
Mots-clés
XGBoostSMOTESHAPInsuranceRandomizedSearchCVAdaBoost
Visualisations6 Graphiques
Analyse Approfondie
Pipeline complet de détection de fraude pour l'assurance véhicule avec déséquilibre de classe sévère (5,99% de fraude).
Données
- ▸15 420 sinistres : 14 497 légitimes + 923 fraudes (5,99%)
- ▸33 caractéristiques : détails du véhicule, zone d'accident, type de police, franchise, rapport de police
- ▸Caractéristiques construites : Claim_Delay, Policy_Claim_Gap, VehicleAge_Price_Ratio
Stratégie d'équilibrage
- ▸Surééchantillonnage SMOTE sur l'ensemble d'entraînement (6% → 50% fraude)
- ▸class_weight='balanced' pour tous les estimateurs
- ▸Évaluation : Rappel et Précision Moyenne (pas la précision — trompeuse à 6%)
Classement 16 modèles (par rappel)
| Modèle | AUC | Rappel | Précision |
|---|---|---|---|
| Naive Bayes | 0,62 | 0,789 | Faible |
| AdaBoost | 0,780 | 0,892 | Meilleur rappel |
| Random Forest | 0,796 | 0,662 | — |
| XGBoost | 0,814 | 0,638 | — |
| Voting (XGB+LGB+CB) | 0,819 | 0,641 | Meilleur AUC |
RandomizedSearchCV — XGBoost (40 itérations, 5-fold)
- ▸CV AUC : 0,9847
- ▸Meilleur : subsample=0,7, max_depth=7, n_estimators=500
Importance des features SHAP
| Caractéristique | Contribution |
|---|---|
| Fault | 37,9% |
| Deductible | 12,9% |
| BasePolicy | 12,2% |
| VehicleCategory | 8,1% |
Stabilité 5-Fold CV RF: 0,8619 ± 0,0010 | XGB: 0,8529 ± 0,0023 | LGB: 0,8505 ± 0,0016