金融风控训练营task1学习笔记
task1金融风控 赛题理解
一、学习知识点概要
1.赛题理解
1)赛题 2)数据 3)预测指标 4)赛题流程 5)关于数据的读取
二、学习内容
1)选手根据给定的数据集,建立模型,预测金融风险。
2)数据概况
- id 为贷款清单分配的唯一信用证标识
- loanAmnt 贷款金额
- term 贷款期限(year)
- interestRate 贷款利率
- installment 分期付款金额
- grade 贷款等级
- subGrade 贷款等级之子级
- employmentTitle 就业职称
- employmentLength 就业年限(年)
- homeOwnership 借款人在登记时提供的房屋所有权状况
- annualIncome 年收入
- verificationStatus 验证状态
- issueDate 贷款发放的月份
- purpose 借款人在贷款申请时的贷款用途类别
- postCode 借款人在贷款申请中提供的邮政编码的前3位数字
- regionCode 地区编码
- dti 债务收入比
- delinquency_2years 借款人过去2年信用档案中逾期30天以上的违约事件数
- ficoRangeLow 借款人在贷款发放时的fico所属的下限范围
- ficoRangeHigh 借款人在贷款发放时的fico所属的上限范围
- openAcc 借款人信用档案中未结信用额度的数量
- pubRec 贬损公共记录的数量
- pubRecBankruptcies 公开记录清除的数量
- revolBal 信贷周转余额合计
- revolUtil 循环额度利用率,或借款人使用的相对于所有可用循环信贷的信贷金额
- totalAcc 借款人信用档案中当前的信用额度总数
- initialListStatus 贷款的初始列表状态
- applicationType 表明贷款是个人申请还是与两个共同借款人的联合申请
- earliesCreditLine 借款人最早报告的信用额度开立的月份
- title 借款人提供的贷款名称
- policyCode 公开可用的策略代码=1新产品不公开可用的策略代码=2
- n系列匿名特征 匿名特征n0-n14,为一些贷款人行为计数特征的处理
3)预测指标
采用AUC作为指标
AUC的介绍:
AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积,显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围在0.5和1之间。AUC越接近1.0,检测方法真实性越高;等于0.5时,则真实性最低,无应用价值。 摘自 https://baike.baidu.com/item/AUC/19282953?fr=aladdin
1.混淆矩阵
若一个实例是正类,并且被预测为正类,即为真正类TP(True Positive )。同理,可得知还有:FP(False Positive),FN(False Negative),TN(False Negative)。
2.准确率(Accuracy) 准确率是常用的一个评价指标,但是不适合样本不均衡的情况。 摘自
Accuracy=(TP+TN)/(TP+TN+FP+FN)
3.精确率(Precision) 又称查准率,正确预测为正样本(TP)占预测为正样本(TP+FP)的百分比。
Precision=TP/(TP+FP)
4.召回率(Recall) 又称为查全率,正确预测为正样本(TP)占正样本(TP+FN)的百分比。
Recall=TP/(TP+FN)
5.F1 Score 精确率和召回率是相互影响的,精确率升高则召回率下降,召回率升高则精确率下降,如果需要兼顾二者,就需要精确率、召回率的结合F1 Score。
F1−Score=2/(1/Precision)+(1/Recall)
6、P-R曲线(Precision-Recall Curve) P-R曲线是描述精确率和召回率变化的曲线。
7、ROC(Receiver Operating Characteristic)
- ROC空间将假正例率(FPR)定义为 X 轴,真正例率(TPR)定义为 Y 轴。
TPR:在所有实际为正例的样本中,被正确地判断为正例之比率。
TPR=TP/(TP+FN)
TPR=TP/(TP+FN)
FPR:在所有实际为负例的样本中,被错误地判断为正例之比率。
PR=FP/(FP+TN)
对于金融风控预测类常见的评估指标如下: (与本次比赛的预测指标无关,主要是增长见识)
1、KS(Kolmogorov-Smirnov) KS统计量由两位苏联数学家A.N. Kolmogorov和N.V. Smirnov提出。在风控中,KS常用于评估模型区分度。区分度越大,说明模型的风险排序能力(ranking ability)越强。 K-S曲线与ROC曲线类似,不同在于
- ROC曲线将真正例率和假正例率作为横纵轴
- K-S曲线将真正例率和假正例率都作为纵轴,横轴则由选定的阈值来充当。 公式如下:KS=max(TPR−FPR)KS=max(TPR−FPR)KS不同代表的不同情况,一般情况KS值越大,模型的区分能力越强,但是也不是越大模型效果就越好,如果KS过大,模型可能存在异常,所以当KS值过高可能需要检查模型是否过拟合。以下为KS值对应的模型情况,但此对应不是唯一的,只代表大致趋势。
KS(%) | 好坏区分能力 |
---|---|
20以下 | 不建议采用 |
20-40 | 较好 |
41-50 | 良好 |
51-60 | 很强 |
61-75 | 非常强 |
75以上 | 过于高,疑似存在问题 |
2、ROC
3、AUC
4)赛题流程(图抠不出来,详见链接)
5)关于数据的读取
读取数据有两种方法,第一种通过wget命令从链接直接下载数据到 dsw,另一种就是可以直接利用pandas读取链接数据。
(详细操作可以看后面相关链接)
三、学习问题与解答
目前学习问题还不算是很大,大部分的东西都能看懂,但是相关的案例还是觉得接触较少。
所以,到网上查看相关示例,以提升自己对此内容的深度了解与自己是否真正懂了。
四、学习思考与总结
这一次的课程,是为了让我们知道我们参与此次活动的赛题。就以目标而言,我觉得我已经基本达成了想达到的目标,但是相关的一些内容由于接触较少,所以还是有很大的进步的空间,例如相关的预测方法与相对应需要了解的数值,以及python等机器语言的学习,还需要更加全面的发展。
——2021.4.22 20.17