TASK 1 赛题理解
摘要:赛题以金融风控中的个人信贷为背景,要求选手根据贷款申请人的数据信息预测其是否有违约的可能,以此判断是否通过此项贷款,这是一个典型的分类问题。赛题以预测用户贷款是否违约为任务,数据集报名后可见并可下载,该数据来自某信贷平台的贷款记录,总数据量超过120w,包含47列变量信息,其中15列为匿名变量。为了保证比赛的公平性,将会从中抽取80万条作为训练集,20万条作为测试集A,20万条作为测试集B,同时会对employmentTitle、purpose、postCode和title等信息进行脱敏
来自:https://tianchi.aliyun.com/notebook-ai/home#notebookLabId=191690¬ebookType=ALL&isHelp=false&operaType=5
一、学习知识点概要
1、赛题内容
2、数据概况
3、比赛评分指标
4、赛题流程
5、代码
二、学习内容
1、本次赛题要求以风控中的个人信贷为背景,要求选手根据贷款申请人的数据信息预测其是否有违约可能,以此判断是否贷款的一个赛题,赛题介绍上说这是一个典型的分类问题。
2、在了解数据时,了解列的性质会有助于我们对于数据的理解和后续分析。
网站上所指的列有(后面打?的表示不明白的地方)
- 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
因为要进行数据分析预测,我认为其中有一些数据时没有用的,例如:地区编码、邮箱编码前3位数字等等,因为我没有学过数据挖掘数据分析,暂时存保留意见,现继续往下学习。
3、比赛评分指标为auc
分类算法常见的评估指标如下:
1、混淆矩阵(Confuse Matrix) ?
- (1)若一个实例是正类,并且被预测为正类,即为真正类TP(True Positive )
- (2)若一个实例是正类,但是被预测为负类,即为假负类FN(False Negative )
- (3)若一个实例是负类,但是被预测为正类,即为假正类FP(False Positive )
- (4)若一个实例是负类,并且被预测为负类,即为真负类TN(True 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。
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。
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。
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。
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=TPTP+FNTPR=TPTP+FNFPR:在所有实际为负例的样本中,被错误地判断为正例之比率。FPR=FPFP+TNFPR=FPFP+TN
8、AUC(Area Under Curve) 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。
对于金融风控预测类常见的评估指标如下:
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 |
所以我们要努力达到61-75之间
4、赛题流程(最关键的分数差异在调参和建模上)
5、代码
数据读取pandas(pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一。)
以下都是数据的导入
1 # 导入数据读取模块
2 import pandas as pd
1 # 方法一:直接下载到dsw(?)本地,这样的好处是后面数据读取会快点,但是直接下载到本地会占用比较多的内存(内存足够使用)
2 # 下载测试数据集 41.33mb
3 !wget http://tianchi-media.oss-cn-beijing.aliyuncs.com/dragonball/FRC/data_set/testA.csv
4 # 下载训练数据集 166.77mb
5 !wget http://tianchi-media.oss-cn-beijing.aliyuncs.com/dragonball/FRC/data_set/train.csv
1 train = pd.read_csv('train.csv')
2 testA = pd.read_csv('testA.csv')
方法二:
# (推荐)方法二:直接读取链接数据,这样的好处是不占dsw内存,但是读取速度相对会比较慢点
train = pd.read_csv('http://tianchi-media.oss-cn-beijing.aliyuncs.com/dragonball/FRC/data_set/train.csv')
testA = pd.read_csv('http://tianchi-media.oss-cn-beijing.aliyuncs.com/dragonball/FRC/data_set/testA.csv')
print('Train data shape:',train.shape)
print('TestA data shape:',testA.shape)
train.head()
5、评分演示(以下为如何评分的代码)
1 ## 混淆矩阵
2 import numpy as np
3 from sklearn.metrics import confusion_matrix
4 y_pred = [0, 1, 0, 1]
5 y_true = [0, 1, 1, 0]
6 print('混淆矩阵:\n',confusion_matrix(y_true, y_pred))
混淆矩阵: [[1 1] [1 1]]
1 ## accuracy
2 from sklearn.metrics import accuracy_score
3 y_pred = [0, 1, 0, 1]
4 y_true = [0, 1, 1, 0]
5 print('ACC:',accuracy_score(y_true, y_pred))
ACC: 0.5
1 ## Precision,Recall,F1-score
2 from sklearn import metrics
3 y_pred = [0, 1, 0, 1]
4 y_true = [0, 1, 1, 0]
5 print('Precision',metrics.precision_score(y_true, y_pred))
6 print('Recall',metrics.recall_score(y_true, y_pred))
7 print('F1-score:',metrics.f1_score(y_true, y_pred))
Precision 0.5 Recall 0.5 F1-score: 0.5
1 ## P-R曲线
2 import matplotlib.pyplot as plt
3 from sklearn.metrics import precision_recall_curve
4 y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
5 y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
6 precision, recall, thresholds = precision_recall_curve(y_true, y_pred)
7 plt.plot(precision, recall)
[10]:[<matplotlib.lines.Line2D at 0x7f3c734c15f8>]
1 ## ROC曲线
2 from sklearn.metrics import roc_curve
3 y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
4 y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
5 FPR,TPR,thresholds=roc_curve(y_true, y_pred)
6 plt.title('ROC')
7 plt.plot(FPR, TPR,'b')
8 plt.plot([0,1],[0,1],'r--')
9 plt.ylabel('TPR')
10plt.xlabel('FPR')
[11]:
Text(0.5, 0, 'FPR')
1 ## AUC
2 import numpy as np
3 from sklearn.metrics import roc_auc_score
4 y_true = np.array([0, 0, 1, 1])
5 y_scores = np.array([0.1, 0.4, 0.35, 0.8])
6 print('AUC socre:',roc_auc_score(y_true, y_scores))
AUC socre: 0.75
1## KS值 在实际操作时往往使用ROC曲线配合求出KS值
2 from sklearn.metrics import roc_curve
3 y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
4 y_true = [0, 1, 1, 0, 1, 0, 1, 1, 1, 1]
5 FPR,TPR,thresholds=roc_curve(y_true, y_pred)
6 KS=abs(FPR-TPR).max()
7 print('KS值:',KS) KS值: 0.5238095238095237
赛题理解是开始比赛的第一步,赛题的理解有助于对竞赛全局的把握。所以我们一开始要好好理解赛题
- 在开始比赛之前要对赛题进行充分的了解。
- 比赛什么时候开始,什么时候结束,什么时候换B榜数据。
- 和该比赛有没有类似的比赛可以参考借鉴。
- 线上提交结果的次数往往是有限的,提前了解每日可以提交的次数。
- 比赛使用的是什么评价指标,可以选择相同的评价指标作为线下验证的方式。
6、评分卡
评分卡是一张拥有分数刻度会让相应阈值的表。信用评分卡是用于用户信用的一张刻度表。以下代码是一个非标准评分卡的代码流程,用于刻画用户的信用评分。评分卡是金融风控中常用的一种对于用户信用进行刻画的手段哦!
1 #评分卡 不是标准评分卡
2 def Score(prob,P0=600,PDO=20,badrate=None,goodrate=None):
3 P0 = P0
4 PDO = PDO
5 theta0 = badrate/goodrate
6 B = PDO/np.log(2)
7 A = P0 + B*np.log(2*theta0)
8 score = A-B*np.log(prob/(1-prob))
9 return score
三、学习问题与回答
1、什么是混淆矩阵?
回答:混淆矩阵:
如有150个样本数据,预测为1,2,3类各为50个。分类结束后得到的混淆矩阵为:
预测 | ||||
类1 | 类2 | 类3 | ||
实际 | 类1 | 43 | 2 | 0 |
类2 | 5 | 45 | 1 | |
类3 | 2 | 3 | 49 |
每一行之和表示该类别的真实样本数量,每一列之和表示被预测为该类别的样本数量,
第一行说明有43个属于第一类的样本被正确预测为了第一类,有两个属于第一类的样本被错误预测为了第二类
源自百度:https://baike.baidu.com/item/%E6%B7%B7%E6%B7%86%E7%9F%A9%E9%98%B5/10087822?fr=aladdin
2、什么是dsw?
dsw就是Developer Studio Workspace,最高级别的配置文件,记录了整个工作空间的配置信息,是一个纯文本的文件,在vc创建新项目的时候自动生成。
3、什么是贷款等级?
贷款五级分类是指商业银行依据借款人的实际还款能力进行贷款质量的五级分类。即按风险程度将贷款划分为五类:正常、关注、次级、可疑、损失,后三种为不良贷款
四、学习总结
task1给予了我们赛题的背景,以及所给的数据类型、数据数量,也告诉了我们如何评定我们最后的预测结果是否准确,并将开源代码导入数据以及评定代码给予了我们,让我们学会了如何导入数据,如何评定数据的准确性。