零基础入门金融风控-贷款违约预测
非常开心能和各位大佬一起学习一起进步,作为小白,今天在这里记录本次课程的点点滴滴。
赛题描述
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。
赛题数据描述
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。
字段描述
字段 | 字段描述 | 字段分析 |
---|---|---|
id | 为贷款清单分配的唯一信用证标识 | 唯一id |
loanAmnt | 贷款金额 | 贷款金额越高违约风险越高 |
term | 贷款期限(year) | 贷款年限越长,风险越大 |
interestRate | 贷款利率 | 和风险成正比,风险越高,利率越高 |
installment | 分期付款金额 | – |
grade | 贷款等级 | 贷款等级,关键因素,越次级贷,违约风险越高 |
subGrade | 贷款等级之子级 | 细分等级,同上 |
employmentTitle | 就业职称 | – |
employmentLength | 就业年限(年) | 在一定范围内,工作年限越高,偿贷能力越高 |
homeOwnership | 借款人在登记时提供的房屋所有权状况 | 抵押物,越多违约风险越低 |
annualIncome | 年收入 | 偿债能力指标之一 |
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 | 不同用途应该会影响放贷情况,不明确 |
postCode | 借款人在贷款申请中提供的邮政编码的前3位数字 | 高收入地区是否违约风险更低 |
regionCode | 地区编码 | 同上 |
dti | 债务收入比 | 关键指标之一 |
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 | 两个人风险比一个低 |
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 | – |
isDefault 字段即为预测的标签
另外,赛题要求是违约的概率,因为需要找到可以输出预测概率的模型,因为之前课程中学到 逻辑回归 为基准模型,因此先计划尝试该模型
赛题分析
该项目为典型的分类问题。
1,首先进行缺失值处理
2,明确数值型变量及label变量,对数值型变量进行标准化处理,label变量进行one-hot编码
3,确定各变量分布,是否对异常值进行处理(箱线图或者正太分布3sigma原则)
4,特征的衍生,衍生出更有意义的变量
以上是我自己想到的一些内容,下面是大佬博客展示的内容,帖如下:
大佬博客连接 link
未完待续 ,敬请期待 task02 ~~~~