基于python数据挖掘算法在个人信贷信用风险管理的应用研究

收藏关注不迷路

---

前言

  本文将logistic回归、K近邻以及决策树算法应用于银行客户失信问题的分析之中，并用python语言编程实现。首先利用随机森林算法得到各特征与目标列之间的相关性系数，选取银行客户数据特征的10个重要特征；采取上述三种方法建立银行客户失信的预测模型，发现只有K近邻的F1-score指标最低，未失信的F1-score为0.98，失信的F1-score为0.72，其他两种模型的F1-score均为1，说明logistic回归以及决策树算法两种模型的预测效果最好。最后针对性的对银行服务项目改进给出建议，从而有效减少银行客户失信率。

关键词：数据挖掘；logistic回归；k-近邻；决策树

一、　研究路线图

图1.1 研究路线图
相关理论：logistic回归，K近邻方法，决策树。
数据预处理：处理数据中的缺失值以及参数变量。
模型训练：三种模型分别训练。
参数对比：对比三种模型之间的结果参数，分析三种模型的优越性。

二、开发环境

  

2.1 数据挖掘的基本方法

  在分析和挖掘过程中，本文主要采用logistic回归，K近邻，以及决策树三种方法进行数据挖掘