title	emoji	colorFrom	colorTo	sdk	sdk_version	pinned	license	app_file	short_description	thumbnail
Implementer Model Scoring API	🏦	blue	indigo	docker	latest	true	mit	app/main.py	API et dashboard pour prédire le risque de défaut de crédit.	https://cdn-uploads.huggingface.co/production/uploads/6891c75202359d4e3846cbec/uMnppPBtSc7waPZhjrTMc.png

🏦 Implement Scoring Model API

Ce Hugging Face Space présente un modèle de scoring de risque de défaut de crédit construit à partir du jeu de données Home Credit Default Risk (Kaggle). L'objectif est de prédire si un client remboursera son crédit ou fera défaut.

Le modèle a été conçu, itéré et optimisé dans ce notebook.

---

📊 Fonctionnalités

• Backend FastAPI exposant des endpoints de prédiction.
• Documentation interactive de l'API à /docs (Swagger) et /redoc.
• Tableau de bord Marimo à /pages/dashboard pour l'explicabilité du modèle :
  • Affiche les 15 caractéristiques les plus importantes du modèle.
  • Graphiques SHAP en cascade pour expliquer chaque prédiction.
  • Visualisations Plotly pour positionner le client parmi tous les clients.
  • Infobulles décrivant chaque caractéristique.

---

🚀 Live Demo

• Application principale : https://laguill-implementer-model-scoring.hf.space
• Documentation de l'API : https://laguill-implementer-model-scoring.hf.space/docs
• Tableau de bord Marimo : https://laguill-implementer-model-scoring.hf.space/pages/dashboard

---

🛠 Stack Technique

• FastAPI — Backend de l'API.
• Marimo — Tableau de bord interactif.
• LightGBM — Modèle de machine learning.
• SHAP — Explicabilité du modèle.
• Hugging Face Spaces — Déploiement avec Docker.
• Pytest — Tests de l'API.
• justfile — Automatisation des commandes pour le développement et la maintenance.

---

📂 Structure du Projet

.
├── app/                   # Backend de l'API
│   ├── api/               # Routes de l'API (prédiction, healthcheck, etc.)
│   ├── asgi.py            # Point d'entrée ASGI (pour le déploiement)
│   └── main.py            # Point d'entrée de l'application FastAPI
│
├── models/                # Artefacts du modèle et du prétraitement
│   ├── Best_LGBM_Model.pkl
│   ├── encoders.pkl
│   ├── customers_data.csv
│   └── model_features.pkl
│
├── pages/                 # Tableaux de bord Marimo
│   └── dashboard.py
│
├── tests/                 # Tests unitaires
│   ├── test_main.py
│   ├── test_pages.py
│   └── test_predict.py
│
├── Dockerfile             # Configuration Docker (pour Hugging Face Spaces)
├── pyproject.toml         # Dépendances et configuration du projet
├── uv.lock                # Fichier de verrouillage pour la reproductibilité
├── justfile               # Commandes courantes de développement (build, lint, test…)
├── development.md         # Instructions pour le développement local
└── README.md              # Documentation du projet

---

🏃Exécution en Local

Clonez le dépôt et installez les dépendances :

git clone https://github.com/laguill/API_implementer_modele_scoring.git
cd API_implementer_modele_scoring
just install
just start-api

Ouvrez ensuite :

Documentation Swagger → http://127.0.0.1:7836/docs Tableau de bord → http://127.0.0.1:7836/pages/dashboard

---

📡 Exemple d'Utilisation

En Python

import requests

resp = requests.post(
    "http://127.0.0.1:8000/api/v1/predict",
    json={"SK_ID_CURR": 100001}
)
print(resp.json())

---

✅ License

MIT License. N'hésitez pas à utiliser, modifier et distribuer ce projet.