Datawhale 组队学习：零基础入门金融风控-贷款违约预测

最新推荐文章于 2024-02-19 10:40:06 发布
最新推荐文章于 2024-02-19 10:40:06 发布
阅读量1.1k 收藏
点赞数
分类专栏： 大数据
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/qq_20633793/article/details/108612597
版权

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。

江xiao河
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Task 2 贷款违约预测
Jun_pratice的博客
09-18 571
Task 2 此部分为零基础入门金融风控的 Task2 数据分析部分，带你来了解数据，熟悉数据，为后续的特征工程做准备，欢迎大家后续多多交流。 赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约 目的： 1.EDA价值主要在于熟悉了解整个数据集的基本情况（缺失值，异常值），对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模. 2.了解变量间的相互关系、变量与预测值之间的存在关系。 3.为特征工程做准备 项目地址：https://github.com/datawhalechina/team
DataWhale组队打卡学习营task05-1 卷积神经网络基础
01-06
卷积神经网络基础 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维...
零基础入门金融风控 Task2 数据分析
Rock_y的博客
09-16 766
文章目录1 导入数据分析及可视化过程需要的库2 读取文件3 总体了解4 查看数据集中特征缺失值，唯一值等总结：5 查看特征的数值类型有哪些，对象类型有哪些总结：6 变量分布可视化根据y值不同可视化x某个特征的分布6 时间格式数据处理及查看7 掌握透视图可以让我们更好的了解数据8 用pandas_profiling生成数据报告总结 此部分为零基础入门金融风控的 Task2 数据分析部分，带你来了解数据，熟悉数据，为后续的特征工程做准备，欢迎大家后续多多交流。 赛题：零基础入门数据挖掘 - 零基础入门金融风控之
零基础入门金融风控-贷款违约预测
weixin_45053816的博客
09-15 1019
Task1 赛题理解 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。 项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl 比赛地址：https://tianchi.aliyun.com/competition/entrance/531830/introduction 1.1
零基础入门金融风控-贷款违约预测-机器学习-数据分析
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
【数据分析与挖掘实战】金融风控之贷款违约预测详解1(有代码和数据集)
m0_49263811的博客
12-08 1万+
金融风控一.题目理解1.1.题目概况1.2数据概况1.3预测指标二.数据来源三.查看数据四.分类指标计算示例4.1混淆矩阵4.2准确度4.3precision(精确度),recall(召回率),f1-score4.4P-R曲线4.5ROC曲线4.6AUC曲线4.7KS值五.数据分析5.1基本信息5.2查看数据集中特征缺失值，唯一值等5.3查看特征的数值类型有哪些，对象类型有哪些5.3.1数值连续型变量分析5.3.2非数值类别型变量分析5.3.3总结：5.4变量分布可视化5.4.1单一变量分布可视化 更新中~
Datawhale 组队学习打卡营 任务13：卷积神经网络基础
01-20
通过上述内容，我们可以了解到卷积神经网络的基础结构和工作原理，这对于理解和构建用于图像识别、物体检测等视觉任务的深度学习模型至关重要。通过实践和理解这些概念，可以更深入地掌握卷积神经网络在机器学习和...
team-learning-sql:主要存储Datawhale组队学习中“SQL”方向的资料
05-16
SQL基础教程学习笔记（team-learning-sql） SQL 在诸多工作中应用广泛，数据分析、开发、测试、维护、产品经理都有可能会用到SQL，而在大学里曾经系统学习SQL的人比较少， 这就要求我们在工作中来学习SQL。然而，...
Datawhale 组队学习打卡营 任务15：卷积神经网络进阶
01-06
目录 深度卷积神经网络（AlexNet） 1. AlexNet 2.载入数据集 ...神经网络的特征提取：通过学习得到数据的多级表征，并逐级表⽰越来越抽象的概念或模式。 神经网络发展的限制:数据、硬件 AlexNet #目前GPU算力
DataWhale组队打卡学习营task04-1 机器翻译
01-06
机器翻译和数据集 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度...
贷款违约预测_建模调参与模型融合1
08-03
DataWhale零基础入门金融风控贷款违约预测--模调参&模型融合分享人：小一数据分析工程师金融风控爱好者单模型建模调参多模型融合上分问题答疑本次直播的内容贷
数据处理--缺失值处理&异常值处理
热门推荐
xiedelong的博客
08-12 3万+
缺失值处理： 造成数据缺失的原因是多方面的，主要可能有以下几种： 有些信息暂时无法获取，致使一部分属性值空缺出来。 有些信息因为一些人为因素而丢失了。 有些对象的某个或某些属性是不可用的。如一个未婚者的配偶姓名。 获取这些信息的代价太大，从而未获取数据。 空值处理的重要性： 空值的存在，造成了以下影响： 系统丢失了大量的有用信息； 系统的不确定性更加显著，系统中的确定性成分更难把握......
Datawhale零基础入门金融风控Task1 赛题理解
最新发布
一缕阳光的博客
02-19 826
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。通过赛题理解有助于对赛题的业务逻辑把握，对于后期的特征工程构建和模型选择都尤为重要。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。
数据挖掘组队学习-金融风控0基础入门-Task1
qq_35359517的博客
09-15 363
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之贷款违约预测挑战赛——简单实现
FavoriteStar的博客
11-28 2232
本文是对阿里云天池竞赛——零基础入门金融风控之贷款违约预测挑战赛的学习记录，算是一个很简单的baseline。
DW金融风控比赛项目任务一赛题理解
miaochangq的博客
09-15 618
DW金融风控比赛项目任务一赛题理解赛题背景赛题数据评测标准比赛经验（copy官方文档） 赛题背景 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-贷款违约预测。 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。 赛题链接：https://tianchi.aliyun.
datawhale零基础入门金融风控-赛题理解
weixin_43959248的博客
09-15 200
赛题理解 1.1 学习目标 理解赛题数据和目标，清楚评分体系。 完成相应报名，下载数据和结果提交打卡（可提交示例结果），熟悉比赛流程 1.2 了解赛题 赛题概况 数据概况 预测指标 分析赛题 1.2.1 赛题概况 要求参赛选手根据给定的数据集，建立模型预测金融风险。 赛题以预测金融风险为任务，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
天池比赛（-贷款违约预测）1--赛题理解
haidizym的博客
09-15 851
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
【Datawhale】零基础入门金融风控（一）
qq_37194898的博客
09-15 269
内容比赛地址数据流程分类算法常见的评估指标代码示例 比赛地址 https://tianchi.aliyun.com/competition/entrance/531830/introduction 数据 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。 提交结果
MSF组队模型：实现项目成功的人员构建策略
MSF组队模型v.3.1 Microsoft解决方案框架(MSF)组队模型是微软提出的一种用于确保项目成功的团队构建方法。该模型强调通过合理的人员配置和行为引导，来提升项目的成功率。MSF的核心在于为团队成员定义清晰的角色群...
评论 1
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