数据挖掘之金融风控-贷款违约预测 01赛题理解

金融风控-贷款违约预测 01赛题理解

1.学习目标

了解赛题及其流程、评分机制，下载以及熟悉数据，并熟悉提交结果流程。

2.赛题背景

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。

3.赛题概况

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。

4.数据概况

数据集种包含47个变量，其中31列变量，15列为匿名变量，1列为标签值，其中33列变量为float 64类型，9列变量为int 64类型，5列变量为object类型。

变量	描述	数据类型	备注
id	为贷款清单分配的唯一信用证标识	int64
loanAmnt	贷款金额	float64
term	贷款期限（year）	int64
interestRate	贷款利率	float64
installment	分期付款金额	float64
grade	贷款等级	object	'A','B','C','D','E','F','G'风险等级
subGrade	贷款等级之子级	object	贷款等级中每一类各分五个等级
employmentTitle	就业职称	float64
employmentLength	就业年限（年）	object
homeOwnership	借款人在登记时提供的房屋所有权状况	int64	0,1,2,3,4,5六种情况
annualIncome	年收入	float64
verificationStatus	验证状态	int64	0,1,2三种状态
issueDate	贷款发放的月份	object
purpose	借款人在贷款申请时的贷款用途类别	int64	14种类别
postCode	借款人在贷款申请中提供的邮政编码的前3位数字	float64
regionCode	地区编码	int64
dti	债务收入比	float64
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	float64
ficoRangeLow	借款人在贷款发放时的fico所属的下限范围	float64	美国个人评分系统计算的信用分数的下限
ficoRangeHigh	借款人在贷款发放时的fico所属的上限范围	float64	美国个人评分系统计算的信用分数的下限
openAcc	借款人信用档案中未结信用额度的数量	float64
pubRec	贬损公共记录的数量	float64
pubRecBankruptcies	公开记录清除的数量	float64
revolBal	信贷周转余额合计	float64
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	float64
totalAcc	借款人信用档案中当前的信用额度总数	float64
initialListStatus	贷款的初始列表状态	int64
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	int64	0,1值表示
earliesCreditLine	借款人最早报告的信用额度开立的月份	object
title	借款人提供的贷款名称	float64
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	float64	仅一个值，为1
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	float64
isDefault	是否违约	int64	违约=1，未违约=0

5.评测标准

提交结果为每个测试样本是1的概率，也就是y为1的概率。评价方法为AUC评估模型效果（越大越好）。

6.预测指标

竞赛采用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。

6.1 分类算法常见的评估指标如下：
（1）混淆矩阵

	预测值=True	预测值=False
真实值=true	TP	FN
真实值=False	FP	TN

真实的正类：TP+FN
真实的负类：FP+TN

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： 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。
A c c u r a c y = T P + T N T P + T N + F