用户贷款风险预测之Top10初体验

最新推荐文章于 2024-05-13 09:45:32 发布
最新推荐文章于 2024-05-13 09:45:32 发布
阅读量1.6w 收藏 60
点赞数 15
分类专栏： 数据挖掘 机器学习 python 文章标签： 数据挖掘 用户贷款风险预测 机器学习 DataCastle 金融赛
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/sb19931201/article/details/56315689
版权
本文介绍了作者参加DataCastle金融赛的经历，通过数据挖掘和模型融合技术，如xgboost、lightgbm，实现了用户贷款风险预测，并成功进入Top10。团队协作、特征工程和模型多样性是提升成绩的关键，文章分享了stacking模型的构建过程及心得。
摘要由CSDN通过智能技术生成

用户贷款风险预测之Top10初体验

写在前面：

DataCastle智慧中国杯全国大数据创新应用大赛：本次参加的是三大赛题中的用户贷款风险预测（算法竞赛）
距离上次发博文又过去近两个月了，坚持写博客是件不容易的事，还得继续努力！中间过了个年，打了个比赛，时间过得真快，不过没有闲着，用寒假时间终于拿到比较满意的成绩。参加这个比赛是快放寒假的时候，想寒假找点事做做，当时就DC有三个比赛了吧，交通赛数据太大玩不动，教育赛觉得没意思，于是乎玩了金融赛，Kaggle也关注了一下（难度系数高，后面放弃了）。昨天比赛截榜，入坑半年终于拿到Top 10!

个人比赛代码在我的github上，菜鸟参赛体验，欢迎路过大神拍砖。

队伍简介

队伍名“一战成名”，队名含义很简单，我们几个都是菜鸟级别玩家，希望可以一战成名。萍水相逢的四名队友，分别来着电子科技大学的冒菜、西安电子科技大学的DG、中南大学的熊掌以及中国

最低0.47元/天 解锁文章
机器学习模型预测贷款审批
阿极的博客
01-30 9888
贷款是现代世界的主要需求。仅此一点，银行就获得了总利润的主要部分。它有利于学生管理他们的教育和生活费用，也有利于人们购买任何类型的奢侈品，如房子、汽车等。但在决定申请人的个人资料是否与获得贷款相关时。银行必须照顾很多方面。因此，在这里我们将使用Python机器学习来简化他们的工作，并使用婚姻状况、教育、申请人收入、信用记录等关键特征来预测候选人的个人资料是否相关。1贷款唯一的ID2性别申请人性别 男/女3已婚申请人的婚姻状况，值为是/否4家属它告诉申请人是否有任何家属。5。
贷款违约预测竞赛训练数据-Kaggle竞赛
04-09
https://www.kaggle.com/c/loan-default-prediction
2021 CCF大数据与计算智能大赛个贷违约预测top 73 解决方案
qq_43601378的博客
12-12 6593
目录一、概述二、解题过程2.1 数据2.2 构建基线2.3 进阶思路一2.4 进阶思路二2.5 进阶思路三2.6 融合2.7 调优提分过程2.8 其他工作三、结语 一、概述 这是我第二次参加大数据类型的竞赛，也是第一次接触金融类的题目，这一题可以称作CCF BDCI这一年的究极卷王题，3200个队伍参加，1300多个队伍提交，比其他赛题多了几倍，最后尽力也只拿下B榜73/3246的名次。 在次记录自己的解题过程以及所思所想。 赛题地址：https://www.datafountain.cn/competit
数据挖掘实战-基于决策树算法构建银行贷款审批预测模型
最新发布
m0_64336780的博客
05-13 1万+
本数据集来源于Kaggle，在这个贷款状态预测数据集中，我们有以前根据property Loan的属性申请贷款的申请人的数据。银行将根据申请人的收入、贷款金额、以前的信用记录、共同申请人的收入等因素来决定是否向申请人提供贷款。我们的目标是建立一个机器学习模型来预测申请人的贷款被批准或被拒绝。原始数据集共有381条，13个变量。各变量含义如下：Loan_ID:唯一的贷款ID。Gender:男性或女性。Married:天气结婚(是)或不结婚(否)。Dependents:依赖于客户端的人数。
机器学习-02-LoanPrediction（贷款预言）（包含代码和数据）
AI研习星球
11-29 2919
这是一个在Analytics Vidhya上的贷款预测问题，有两个数据集，训练集给出了一些贷款申请人的信息及其申请贷款的结果（被允许或者拒绝），测试集给出了一些贷款申请人的信息但没有其申请贷款的结果，需要对这些数据训练出一个分类模型并对测试集的数据进行预测。：收入分配的大部分数据主要偏在左边，没有呈现正态分布，箱线图确认存在大量异常值，收入差距较大，需要进行处理。：信用记录为1的人更有可能获得贷款批准，说明有信用的获得贷款的机会大。：可以看到受教育的人，有很多的高收入，出现异常值。
DC_用户贷款风险预测完整数据
03-11
融360与平台上的金融机构合作，提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息，需要参赛者以此建立准确的风险控制模型，来预测用户是否会逾期还款。由于该比赛已结束，平台的数据已经无法下载，...
用户贷款风险预测－开源代码.zip
04-01
用户贷款风险预测是金融行业中一个重要的议题，尤其在大数据时代，通过机器学习技术对用户贷款违约的可能性进行预测，已经成为风险管理的关键环节。在这个17年的datacastle竞赛中，参赛者们被要求利用机器学习算法来...
基于CLPSO-CatBoost的贷款风险预测方法
05-06
提出通过综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimization, CLPSO)优化CatBoost集成学习算法(CLPSO-CatBoost)的贷款风险预测方法, 该算法改善了全局搜索能力、避免了陷入容易陷入局部最优的...
WEKA贷款风险预测
02-11
《使用WEKA进行贷款风险预测》 在金融领域，风险评估是至关重要的环节，特别是对于贷款业务来说，准确预测借款人的信用风险对于金融机构而言具有重大意义。本文将深入探讨如何利用WEKA这一强大的数据挖掘工具，结合...
项目3 贷款情况预测
ftsss__的博客
12-12 172
使用Kaggle中的Loan Prediction Problem DataSet 数据集对申请人的各项情况进行综合评估最后判断是否可以贷款。
贷款审批预测分析(机器学习_逻辑回归预测)
mary950301的博客
02-12 2608
问题背景 Dream Housing Finance 公司经营各种房屋贷款。其所在的地区类型分为：城市、半城市和农村地区。流程：客户首先申请房屋贷款，然后公司验证客户的贷款资格。该公司希望根据填写在线申请表时提供的客户详细信息（性别、婚姻状况、教育、家属人数、收入、贷款金额、信用记录等）自动执行贷款资格流程（实时）。 为了使这一过程自动化，他们提供了一个数据集来识别有资格获得贷款金额的客户群，以便他们可以专门针对这些客户。 数据集链接：Loan Prediction 数据属性描述 英文属性： V.
融360天机智能金融算法挑战赛-拒绝推断
orchidofocean的博客
10-02 2627
  2016年1月，机构A通过自建风控模型开始放贷，初期获得了良好的收益。随着时间的推移，机构A发现在样本通过率5%不变的前提下，机构逾期率由2016年1月的5%逐步升至2017年7月的15%，大量坏账导致机构A由盈利陷入亏损境地。公司模型人员仔细检查模型，发现其在训练集和测试集上都表现很好，并没有任何异常，百思不得其解。 在金融信贷场景中，放款机构会通过模型评分筛选用户，评分较好的用户可以获得...
python数据分析案例实战——融360客户贷款风险预测（信用卡）
weixin_30597269的博客
02-13 2032
数据源：融360-用户贷款风险预测 参考资料：https://www.jianshu.com/p/aba5685c580a 流程如下： 项目目标 数据解读 数据预处理 特征工程 1.基于业务理解筛选 2.基于机器学习筛选 模型建立 一、项目目标 通过举办方提供的用户基本信息，消费行为，还款情况等，建立准确的逾期预测模型，以预测用户是否会逾期还款。 二、数据解读 相关专业名词可以去举办方融360...
信贷违约风险预测（一）样本数据
机器会学习的博客
07-19 1万+
　　在现实生活中有些人由于没有或者较少的信用记录，很难获得贷款，为了增加对与没有银行帐号或信用记录人群的借贷的包容性，Home Credit(信贷机构）会利用各种替代数据：电信或交易信息等等客户的历史的行为数据来预测客户还款能力．基于这些数据，利用各种机器学习方法来做出这些预测，确保有能力还款的客户不会被拒绝．数据来自Home Credit 数据介绍 application_train.c...
【案例】融360：智能金融系统建设最佳实践案例
数据猿
10-15 2461
大数据、云计算、人工智能等颠覆性技术的快速发展，为金融机构可持续地开展普惠金融业务奠定了技术前提，使得原本高度碎片化、用户数量庞大但个体资金量小、无利可图的“长尾客户”成为新的“富矿”。 作者 | 融360 官网 | www.datayuan.cn 微信公众号ID | datayuancn 本篇案例为数据猿推出的“金融科技价值—数据驱动金融商
【相关比赛】Kesci“魔镜杯”风控算法大赛复赛解决方案
10-15 1098
Kesci“魔镜杯”风控算法大赛复赛解决方案 决赛答辩第4，获得铜奖 代码地址：https://github.com/wepe/PPD_RiskControlCompetition
Home Credit Default Risk 违约风险预测，kaggle比赛，初级篇，LB 0.749
Li Kang 笔记本
03-10 7113
数据由Home Credit提供，Home Credit致力于向无银行账户的人群提供信贷。任务要求预测客户是否偿还贷款或遇到困难。使用AUC（ROC）作为模型的评估标准。本篇博客只对 application_train， application_test的数据进行分析，使用Logistic Regression进行分类预测。
用户贷款风险预测
weixin_30530523的博客
04-03 445
竞赛地址：http://www.pkbigdata.com/common/cmpt/%E7%94%A8%E6%88%B7%E8%B4%B7%E6%AC%BE%E9%A3%8E%E9%99%A9%E9%A2%84%E6%B5%8B_%E8%B5%9B%E4%BD%93%E4%B8%8E%E6%95%B0%E6%8D%AE.html 数据探索： 比赛一共提供五张表，分别是： 　　训练数...
拍拍贷魔镜杯风控算法大赛——基于lightgbm
LuLuYao9494的博客
06-10 5838
本文仿照知乎一位大神的文章，基于理解的基础上，修改了部分代码~感谢前辈的分享~ 参考文献： https://zhuanlan.zhihu.com/p/56864235 原始数据来源： https://www.kesci.com/home/competition/56cd5f02b89b5bd026cb39c9/content/1 数据集构成： 三万条已知标签的训练集，二万条不知标签的测...
用户贷款风险预测python
06-11
好的，针对用户贷款风险预测问题，可以使用Python进行建模和预测。以下是一般的建模步骤： 1. 数据准备：收集贷款数据集，进行数据清洗和预处理（包括缺失值填充、异常值处理、特征编码等）。 2. 特征选择：根据...
评论 20
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