客户贷款逾期预测[3]-xgboost和lightgbm

最新推荐文章于 2024-04-28 13:05:15 发布

truffle528

最新推荐文章于 2024-04-28 13:05:15 发布

阅读量1.2k

点赞数 1

本文链接：https://blog.csdn.net/truffle528/article/details/84200976

版权

这篇博客探讨了如何运用xgboost和lightgbm模型预测客户贷款是否逾期，通过介绍任务背景、实现过程以及遇到的numpy DeprecationWarning问题，展示了模型应用。同时指出对模型参数调整和评分指标选择的理解不足，表示未来需要深入学习相关原理。

摘要由CSDN通过智能技术生成

任务

根据客户贷款数据预测客户是否会逾期，1表示会，0表示不会。

实现

# -*- coding: utf-8 -*-
"""
Created on Thu Nov 15 13:02:11 2018

@author: keepi
"""

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import f1_score
import xgboost as xgb
import warnings
warnings.filterwarnings('ignore')
pd.set_option('display.max_row',1000)

#导入数据
data = pd.read_csv('data.csv',encoding='gb18030')
print("data.shape:",data.shape)
#数据处理
miss_rate = data.isnull().sum() / len(data)
print("缺失率：",miss_rate.sort_values(ascending=False))
X_num = data.select_dtypes('number').copy()
X_num.fillna(X_num.mean(),inplace=True)
print("数值型特征的shape：",X_num.shape)
print(X_num.columns)
X_num.drop(['Unnamed: 0','status'],axi