English

Project Description

The goal of this project is to build a model that can accurately predict whether a client is interested in buying car insurance. This is a binary classification problem based on customer demographics and vehicle information.

The Challenge: Class Imbalance

A key characteristic of the dataset is a significant class imbalance. Only about 12% of customers show interest in the insurance policy, while the remaining 88% do not. The primary challenge is to build models that can effectively identify the minority class (interested customers) without being biased by the majority class.

Methodology

Both the Python and R reports follow a similar analytical process:

1. Exploratory Data Analysis (EDA): Initial inspection of data distributions, correlations, and outliers.
2. Data Pre-processing: Conversion of categorical features (like Gender, Vehicle_Age) into numerical formats suitable for modeling.
3. Handling Class Imbalance: Application of techniques to create balanced training datasets, including:
   • Random Undersampling
   • SMOTE (Synthetic Minority Over-sampling Technique)
   • A hybrid approach combining SMOTE and Undersampling
4. Model Building & Evaluation: Training and evaluation of several classification models, assessing their performance using metrics like accuracy, sensitivity, specificity, and ROC curves.

Models Explored

• Decision Trees
• Naive Bayes
• Support Vector Machines (SVM), with and without class weighting
• XGBoost

Key Findings

• Addressing the class imbalance is crucial for building effective models. Models trained on the original, imbalanced data perform poorly in identifying interested customers.
• Balancing techniques like Random Undersampling and hybrid methods significantly improve model performance, especially for the minority class.
• The XGBoost model, particularly when trained on a balanced dataset or using class weights, provides the best combination of predictive performance and fast execution time.
• SVM also shows strong performance but with significantly longer training times, making it less practical for this use case.

---

Italiano

Descrizione del Progetto

L'obiettivo di questo progetto è costruire un modello in grado di prevedere con accuratezza se un cliente è interessato all'acquisto di una polizza di assicurazione auto. Si tratta di un problema di classificazione binaria basato sui dati anagrafici dei clienti e sulle informazioni relative al loro veicolo.

La Sfida: Sbilanciamento delle Classi

Una caratteristica chiave del dataset è un forte sbilanciamento delle classi. Solo il 12% circa dei clienti mostra interesse per la polizza, mentre il restante 88% non è interessato. La sfida principale è costruire modelli che possano identificare efficacemente la classe di minoranza (clienti interessati) senza essere influenzati dalla classe di maggioranza.

Metodologia

Entrambi i report, in Python e in R, seguono un processo analitico simile:

1. Analisi Esplorativa dei Dati (EDA): Ispezione iniziale delle distribuzioni dei dati, delle correlazioni e degli outlier.
2. Pre-processing dei Dati: Conversione delle feature categoriche (come Gender, Vehicle_Age) in formati numerici adatti alla modellazione.
3. Gestione dello Sbilanciamento delle Classi: Applicazione di tecniche per creare training set bilanciati, tra cui:
   • Random Undersampling (sottocampionamento casuale)
   • SMOTE (Synthetic Minority Over-sampling Technique)
   • Un approccio ibrido che combina SMOTE e Undersampling
4. Creazione e Valutazione dei Modelli: Addestramento e valutazione di diversi modelli di classificazione, misurandone le performance con metriche quali accuratezza, sensibilità, specificità e curve ROC.

Modelli Analizzati

• Alberi Decisionali
• Naive Bayes
• Support Vector Machines (SVM), con e senza pesatura delle classi
• XGBoost

Risultati Chiave

• Affrontare lo sbilanciamento delle classi è fondamentale per costruire modelli efficaci. I modelli addestrati sul dataset originale e sbilanciato hanno scarse performance nell'identificare i clienti interessati.
• Le tecniche di bilanciamento, come il Random Undersampling e i metodi ibridi, migliorano significativamente le prestazioni del modello, specialmente per la classe di minoranza.
• Il modello XGBoost, in particolare quando addestrato su un dataset bilanciato o utilizzando pesi per le classi, fornisce la migliore combinazione di performance predittiva e velocità di esecuzione.
• Anche le SVM mostrano ottime performance, ma con tempi di addestramento significativamente più lunghi, che le rendono meno pratiche per questo caso d'uso.