Détection de fraude en assurance auto

Projet académique de Master appliquant un cycle complet de machine learning supervisé à la détection de fraude en assurance automobile, du prétraitement à l'optimisation des modèles.

La fraude est un phénomène rare et déséquilibré : il faut des modèles capables de la repérer sans noyer les assurés légitimes sous les faux positifs.

J'ai réalisé le prétraitement complet (valeurs manquantes et aberrantes, étude de corrélation), la sélection de variables et l'analyse de la multicolinéarité, puis développé et comparé une régression logistique, un Random Forest, un Gradient Boosting et un HDBSCAN.

J'ai optimisé les hyperparamètres par cross-validation et évalué les modèles de manière rigoureuse via AUC-ROC, précision, rappel et F1-score.

Ce projet m'a donné une base solide sur le scoring et la classification en données déséquilibrées, transposable aux problématiques de détection et de risque opérationnel.