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