贷款违约预测--赛题理解

• 比赛连接https://tianchi.aliyun.com/competition/entrance/531830/introduction
• 赛题理解：
  • 赛题以金融风控中的个人信贷为背景，根据贷款申请人的数据信息来预测其是否有违约的可能，以此判断是否贷款，这是典型的二分类问题。
• 赛题数据：
  • 贷款数据记录介绍
    • 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

import pandas as pd
train = pd.read_csv(r'./train.csv')
test = pd.read_csv(r'./testA.csv')
train.head()

数据中有字母和数值，也连续型变量和离散型变量，数据中存在许多缺失值

• 评分体系

  • 比赛采用AUC作为评价指标。AUC（Area Under Curve）被定义为 ROC曲线 下与坐标轴围成的面积。

• 分类算法常用评价指标

  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。
  $$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$
  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。
  $$Precision=\frac{TP}{TP+FP}$$
  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。
  $$Recall=\frac{TP}{TP+FN}$$
  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。
  $$F1-Score=\frac{2}{\frac{1}{precision}+\frac{1}{recall}}$$
  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

  • 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。
    $$TPR=\frac{TP}{TP+FN}$$
  • 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。
    $$FPR=\frac{FP}{FP+TN}$$

  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。

金融风控常用评价指标

• 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。
  $$KS=max(TPR-FPR)$$

## 混淆矩阵
import numpy as np
from sklearn.metrics import confusion_matrix
y_pred = [0, 1, 0, 1]
y_true = [0, 1, 1, 0]
print('混淆矩阵:\n',confusion_matrix(y_true, y_pred))

## accuracy
from sklearn.metrics import accuracy_score
y_pred = [0, 1, 0, 1]
y_true = [0, 1, 1, 0]
print('ACC:',accuracy_score(y_true, y_pred))

## Precision,Recall,F1-score
from sklearn import metrics
y_pred = [0, 1, 0, 1]
y_true = [0, 1, 1, 0]
print('Precision',metrics.precision_score(y_true, y_pred))
print('Recall',metrics.recall_score(y_true, y_pred))
print('F1-score:',metrics.f1_score(y_true, y_pred))

## P-R曲线
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
precision, recall, thresholds = precision_recall_curve(y_true, y_pred)
plt.plot(precision, recall)

## ROC曲线
from sklearn.metrics import roc_curve
y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
y_true = [0, 1, 1, 0, 0, 0, 1, 1, 0, 1]
FPR,TPR,thresholds=roc_curve(y_true, y_pred)
plt.title('ROC')
plt.plot(FPR, TPR,'b')
plt.plot([0,1],[0,1],'r--')
plt.ylabel('TPR')
plt.xlabel('FPR')

## AUC
import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
print('AUC socre:',roc_auc_score(y_true, y_scores))

## KS值
from sklearn.metrics import roc_curve
y_pred = [0, 1, 1, 0, 1, 0, 1, 1, 1, 1]
y_true = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
FPR,TPR,thresholds=roc_curve(y_true, y_pred)
KS=abs(FPR-TPR).max()
print('KS值：',KS)