零基础入门金融风控-贷款违约预测 TASK2

最新推荐文章于 2021-09-15 19:17:30 发布
最新推荐文章于 2021-09-15 19:17:30 发布
阅读量137 收藏
点赞数
分类专栏： 零基础入门金融风控之贷款违约预测挑战赛
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ckmmath/article/details/108721703
版权

TASK3

任务3详见任务3

本任务学习内容为特征工程。

首先还是清洗数据。

对于缺失值可以
1.用0替代
2.用缺失值上面的值替代
3.用下面的值替代
4.用平均值替代
5.用众数替代

对于异常值，不是要马上修改，而是得搞清楚是什么原因引起的异常。
常用的异常检测算法
1.均方差
2.箱型图

在这里插入图片描述
问题

roc_auc_score(testA_result['isDefault'].values, lgb_test)

KeyError: 'isDefault'

未知

喵猫毛
关注
专栏目录
零基础入门金融风控-贷款违约预测
t1Alex的博客
09-15 746
写在前面： 刚接触数据挖掘，看了几页python就跳进了这个大坑，也不知道该咋写这个博客，先瞎写着吧。介绍下自己参加的这个项目，是Datawhale和天池比赛联合发起的，我们在Datawhale组对学习，然后自愿参加报名天池比赛。Datawhale是一个AI领域的开源学习组织，我个人很敬佩他们的创始者，至少目前让我感觉这是一个很不错的组织；天池是阿里云旗下的一个组织，也是专注于AI领域的，我上去看了下，里面也有很多关于AI的学习视频和比赛。两者结合，我感觉自己一定会有所收获的。下面开始介绍我现在接触的入门
零基础入门金融风控-贷款违约预测之TASK4_模型融合
weixin_46292496的博客
09-27 174
针对分类问题，在简单方法中常用到投票法（Voting）。在不改变模型的情况下，直接对各个不同的模型预测结果进行投票，sklearn库中的VotingClassifier是投票法的实现。 投票法的输出有两种类型：一种是直接输出类标签，另外一种是输出类概率。使用前者进行投票为hard voting，使用后者进行分类叫做soft voting，通过voting参数进行控制。 from xgboost import XGBClassifier from sklearn.linear_model import Log
零基础入门金融风控之贷款违约预测挑战赛-task01
m0_47024418的博客
09-15 575
零基础入门金融风控之贷款违约预测挑战赛-task01 零基础入门金融风控之贷款违约预测挑战赛 1.赛题描述 根据某信贷平台的贷款记录的数据，进行训练测试，预测用户贷款是否违约，得出用户违约的概率。 在给出的数据中，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。 2.数据信息 train.csv
零基础入门金融风控-贷款违约预测_Task2
duxiaodong1122的博客
09-18 521
贷款违约预测_Task2 本文结合数据分析，给出了本次比赛的基线方案，该基线方案线上评测得分为0.7391。
数据挖掘组队学习-金融风控0基础入门-Task1
qq_35359517的博客
09-15 589
金融风控0基础入门-Task1 赛题理解贷款违约预测背景目的步骤1. 赛题概括2. 数据概括3. 预测指标4. 赛题流程5. 操作读取数据6. 拓展 - 评分卡 贷款违约预测 背景 金融风控中个人信贷为背景 目的 根据贷款申请人的数据信息，预测其是否有违约的可能，以判断是否通过该贷款，这是一个典型的分类问题。 步骤 赛题概括 数据概括 预测指标 分析赛题 赛题链接地址. 1. 赛题概括 根据给定的数据集，建立模型，预测金融风险。 数据情况： 总数据量超过120w，包含47列变量信息，其中15列为匿名变
零基础入门金融风控-贷款违约预测之TASK1_赛题理解
weixin_46292496的博客
09-15 762
赛题以预测用户贷款是否违约为任务，根据借款人的数据信息预测其违约概率，提交结果为每个测试样本是1的概率。评价方法为AUC评估模型效果（越大越好）。 赛题链接：https://tianchi.aliyun.com/competition/entrance/531830/information 1、数据概况 数据包含47列变量信息，其中15列为匿名变量，总数据量超过120w，为了保证比赛的公平性，将从中抽取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、p
零基础入门金融风控-贷款违约预测-Task4
t1Alex的博客
09-24 419
写在前面：差一点就放弃了！其实项目进行到T4，从内容上还是很好理解了。前面的Task相当于是准备工作，包括数据EDA、特征工程都是未来建模做的准备，当我们把数据分析好以后，接下来自然就是建模啦。所以T4主要讲的就是建模和调参。我觉得教程中使用的数据应该和我们下载的数据结构是不一样的，所以在程序的开始就把我难住了。我读取的数据根本无法按照教程代码去运行。对于Python基础巨差的我真是无能为力，我差点就准备放弃，坐等被抱出群聊时，已经被挠秃的榆木脑袋突然就灵光了，试着改了改代码，居然成功了（虽然是很简单的代码
零基础入门金融风控-贷款违约预测-Task3
t1Alex的博客
09-21 369
写在前面：上一篇博客写了这个项目的Task2——即EDA，今天继续介绍Task3——特征工程。T3开始看着有点吃力了，因为python 的基础太差了，我很担心我能不能坚持完T4(TT)。不过在这个学习过程中，我的方法基本是理解任务目的，看代码，查函数，然后验证逻辑。其实如果时间更充裕的话可以自己半默写一下代码，下面还是结合教程具体记录下我的小小收获吧。（由于主要是理解为主，所以本博文还是要结合教程一起看，才比较有收获吧。） 直接附上整个项目链接吧：https://github.com/datawhale.
贷款违约预测-零基础入门金融风控之贷款违约预测挑战赛
weixin_33569641的博客
09-15 1069
Task1 赛题理解 Tip:本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事第四场 —— 零基础入门金融风控之贷款违约预测挑战赛。 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。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。 项目地址：https://github.com/datawhalechina/team-learning-data-m
天池比赛（-贷款违约预测）1--赛题理解
haidizym的博客
09-15 881
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。 字段表 Field Description 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） interes
零基础入门金融风控-贷款违约预测-Task5
t1Alex的博客
09-27 591
写在前面：终于要结束了，没想到自己坚持了这么久，哈哈。当看到自己提交的结果的成绩的时候还有有点小感动。最终的成绩有0.72多点，但是我很开心，哈哈。言归正传，继续写T5。T4进行了建模和参数优化，T5就是做，模型融合。其实就是多用几种模型，然后将预测结果综合一下，可能更准确。 依然附上整个项目链接：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl ***********
零基础入门金融风控-贷款违约预测-Task01
upon120的博客
09-15 1298
有幸参加了阿里云举办的零基础入门金融风控-贷款违约预测训练营。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 一、赛题理解： 该赛题是金融风控中关于贷款违约情况的预测。盲猜是个机器学习中监督学习的分类问题。从训练集和测试集的对比中可以得到标签label的字段。 1、首先观察训练集train.csv和testA.csv，将train.csv和testA.csv的shape分别打印出来，发现居然train.shape的列数比testA.shape...
零基础入门金融风控-贷款违约预测-Task02
upon120的博客
09-18 1303
有幸参加了阿里云举办的零基础入门金融风控-贷款违约预测训练营。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 第二次的学习任务，是EDA。即Exploratory Data Analysis，探索性数据分析。 一、数据集基本情况分析 数据集分为训练集和测试集。第一次任务时已经将训练集和测试集中重复的列进行了删除，最终形状如下： 通过train.info()可以查看训练集的基本信息（非空值数...
零基础入门金融风控-贷款违约预测-task1
zhaoluy的博客
09-15 325
零基础入门金融风控-贷款违约预测赛题理解赛题数据评测标准结果提交操作读取数据 赛题链接地址 进度安排 赛题理解 赛题数据 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，同时会对employmentTitle、purpose、postCode和title等信息进行脱敏。 数据文件 sample_submit.c
Datawhale 组队学习：零基础入门金融风控-贷款违约预测
程序人生
09-15 1160
贷款违约预测 本次的问题是一个分类问题，给出特征，然后预测是否违约。 首先考虑传统的机器学习方法，后期会测试IGBT和XGBoost等方法，然后再考虑人工构建其他特征，最后考虑模型融合以求达到更好效果。 ...
零基础入门金融风控-贷款违约预测-机器学习-数据分析
热门推荐
qq_42025868的博客
09-15 1万+
零基础入门金融风控-贷款违约预测 一、赛题数据 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。 字段表 id Field Description 1 id 为贷款清单分配的唯一信用证标
零基础入门金融风控-贷款违约预测-Task2 探索性数据分析（EDA）
OOzhao的博客
09-18 556
零基础入门金融风控-贷款违约预测探索性数据分析（EDA）具体操作1.引入库2.读入数据3.查看数据整体情况4.查看缺失值、唯一值、异常值、重复值5.深入数据，查看数据类型6.数据间相关关系 赛题链接地址 进度安排 探索性数据分析（EDA） 探索性数据分析（Exploratory Data Analysis，EDA）主要的工作是：对数据进行清洗，对数据进行描述（描述统计量，图表），查看数据的分布，比较数据之间的关系，培养对数据的直觉，对数据进行总结等。 维度名称及含义： id 为贷款清单分配的唯一信用证
r语言金融风控之贷款违约预测
最新发布
05-29
R语言在金融风控领域中具有很大的优势，尤其是在贷款违约预测方面。贷款违约预测是指通过对已有数据进行分析和建模，预测贷款客户是否会违约，以便采取相应的措施降低风险。R语言可以用来进行数据清洗、可视化、特征...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值