决策树应用实例③——银行借贷模型

决策树系列目录（文末有惊喜彩蛋！）：
决策树①——信息熵&信息增益&基尼系数
决策树②——决策树算法原理（ID3，C4.5，CART）
决策树③——决策树参数介绍（分类和回归）
决策树④——决策树Sklearn调参（GridSearchCV调参及过程做图）
决策树⑤——Python代码实现决策树
决策树应用实例①——泰坦尼克号分类
决策树应用实例②——用户流失预测模型
决策树应用实例④——淘宝&京东白条金额(回归&均方差&随机森林）

---

银行借贷是基于分析历史按时还款、逾期或不还的用户群体的各自特征建立模型，未来借款用户只要符合符合借款要求，就给予借贷，如果不符合，则拒绝。

本文将根据自建的一份包含借款人信息及银行是否借贷的数据集，创建一棵决策树，并进行预测。

一、数据集

文末有下载方式，方便您实操一遍

二、字段介绍

① name_id: 姓名
② profession： 职业，1-企业工作者，2-个体经营户，3-自由工作者，4-事业单位，5-体力劳动者
③ education： 教育程度，1-博士及以上，2-硕士，3-本科，4-专科，5-高中及以下
④ house_loan： 是否有房贷，1-有，0-没有
⑤ car_loan：是否有车贷，1-有，0-没有
⑥ married： 是否结婚，1-是，0-否
⑦ child：是否有小孩，1-有，0-没有
⑧ revenue：月收入
⑨ approve：是否予以贷款，1-贷款，2-不贷款

三、导入数据

# 导入库
import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics
from IPython.display import Image
import pydotplus
from sklearn import tree
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV


# 导入数据
data = pd.read_csv('loan_data.txt',sep='\s+',encoding='utf-8',index_col='nameid')
print(data)
x = data.drop(['approve'],axis=1).