【天池】金融风控-贷款违约预测（一）——赛题理解

最新推荐文章于 2024-04-27 00:34:47 发布
最新推荐文章于 2024-04-27 00:34:47 发布
阅读量1.8k 收藏 11
点赞数
文章标签： 数据挖掘 机器学习
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/u011961803/article/details/108609455
版权

【天池】金融风控-贷款违约预测（一）——赛题理解

赛题介绍

【天池】金融风控-贷款违约预测（赛题链接）
赛题背景
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。
数据介绍
赛题以预测用户贷款是否违约为任务，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。
字段表：
在这里插入图片描述
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）。AUC（Area Under Curve）被定义为 ROC曲线 下

最低0.47元/天 解锁文章
阿黄一号
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【天池】金融风控贷款违约预测task5
qq_38444706的博客
09-27 372
【天池】金融风控贷款违约预测task5 task5学习总结： 1）简单平均和加权平均是常用的两种比赛中模型融合的方式。其优点是快速、简单。 2）stacking在众多比赛中大杀四方，但是跑过代码的小伙伴想必能感受到速度之慢，同时stacking多层提升幅度并不能抵消其带来的时间和内存消耗，所以实际环境中应用还是有一定的难度。 3）当然在比赛中将加权平均、stacking、blending等混用也是一种策略。 # task5 模型融合 # 方法：1）平均：简单、加权；2）投票：简单、加权；3）综合：排序融合、
天池金融风控-贷款违约预测
nnezlyq的博客
09-15 1099
比赛链接：https://tianchi.aliyun.com/competition/entrance/531830/introduction 因为这是一个金融风控专题的数据挖掘实战，在开始之前先引入一些预备知识。 1.预备知识 1.1预测指标 本次竞赛用AUC作为评价指标，AUC为ROC曲线下与坐标轴围成的面积大小。 分类算法常见的评估指标 1、混淆矩阵（confused matrix） 1.若一个实例为正类，预测也为正类，则为真正类TP(True Positive) 2.若一个实例为正类，预测也为负类
sklearn特征的选择
微信号：RunsenLiu
03-30 795
特征工程 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上 限而已。根据特征使用方案，有计划地获取、处理和监控数据和特征的工作称之为特征工程,目的是 最大限度地从原始数据中提取特征以供算法和模型使用。 根据特征选择的形式又可以将特征选择方法分为3种： 用sklearn中的feature_selection库来进行特征选择 Filter： 过滤法：按照发散性或者相关性对各个特征进行评分...
【天池】贷款违约预测task3_fit_transform(train,target_train)
最新发布
2401_84617821的博客
04-27 658
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
「机器学习」天池比赛：金融风控贷款违约预测
热门推荐
积一时之步，臻千里之遥程
03-29 2万+
https://zhuanlan.zhihu.com/p/255105477 https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.18.3b3022faqoVnOw&postId=129318 https://www.jianshu.com/u/63b7115ac4ee https://blog.csdn.net/qq_43401035/category_10383961.html 比赛地址：https://tia
零基础入门金融风控预测-01
duyue1的博客
09-15 416
赛题理解 数据来源 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。 评价指标 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。 赛题流程 数据EDA 特征工程 建模调参 模型融合 ...
天池比赛_金融风控_贷款违约预测.zip
08-24
【标题】：“天池比赛_金融风控_贷款违约预测.zip”是一个与阿里巴巴天池平台上的金融风控相关比赛相关的资源包，主要目标是预测贷款客户的违约概率。在金融领域，风险管理尤其是信贷风险控制是至关重要的，而贷款...
新手入门天池demo--金融数据分析赛题2：保险反欺诈预测.zip
09-28
在本压缩包中，我们关注的是一个针对新手的天池数据科学竞赛入门示例，主题为"金融数据分析赛题2：保险反欺诈预测"。这个项目主要涉及的是使用数据分析和机器学习技术来识别保险欺诈行为，这对于保险行业的风险管理...
天池学习赛贷款违约预测Python源代码（高分项目）.zip
04-26
天池学习赛贷款违约预测Python源代码（高分项目）.zip已获导师指导并通过的97分的高分设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 天池学习赛贷款违约预测Python源代码...
《人工智能》--天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测 第一赛季.zip
03-15
人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ ...
天池学习赛——金融风控-贷款违约预测(01)
weixin_46541529的博客
09-15 544
天池学习赛——金融风控-贷款违约预测(01) 本次天池学习赛的主题是关于金融风控领域，比赛主要任务为预测用户贷款是否违约，数据集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。变量名如下所示。 变量名称： Field Description id 为贷款清单分配的唯一信用证标识 loanAmnt 贷款金额 term 贷款期限（year） interestRate 贷款利率 installment 分期付款金额 grade 贷款等级
天池-金融风控-贷款违约预测-特征工程
weixin_44122249的博客
09-21 246
先列个大纲 数据预处理 缺失值 时间格式 字符型转换为数值型 异常值处理 基于3个标准差原则 基于箱型图 数据分箱 固定宽度分箱 分位数分箱 特征挖掘 特征组合 特征衍生 特征编码 one-hot编码 label-encode编码 特征选择 Filter Wrapper （RFE） Embedded ...
Datawhale&天池贷款违约预测——Task1赛题理解
loft_的博客
09-14 333
Datawhale&天池贷款违约预测——Task1赛题理解 文章目录 目录Datawhale&天池贷款违约预测——Task1赛题理解文章目录1 赛题理解1.1 比赛目的1.2 赛题简要介绍1.2 相关评价指标1 赛题理解新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你
笔记之零基础入门金融风控-贷款违约预测
qq_32804727的博客
09-15 587
零基础入门金融风控-贷款违约预测赛题描述赛题概况数据概况合理的创建标题，有助于目录的生成预测指标赛题流程评分卡生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 赛题描述 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 赛题概况 赛题以预测
5.天池金融风控-贷款违约预测新人赛之模型融合
weixin_43885256的博客
09-27 384
模型融合就是将两个或多个模型进行融合，主要的方法有以下几种方法： 平均法 简单平均法 加权平均法 投票法 简单投票法 加权投票法 综合： 排序融合 log融合 stacking: 构建多层模型，并利用预测结果再拟合预测。 blending： 选取部分数据预测训练得到预测结果作为新特征，带入剩下的数据中预测。 boosting/bagging（在Task4中已经提及，就不再赘述） Blending与stacking的不同 stacking stacking中由于两层使用的数据
天池-金融风控-贷款违约预测-赛题理解
weixin_44122249的博客
09-15 1455
目录目标评估指标数据数据概况字段 目标 预测用户贷款是否违约，提交每个测试样本=1的概率； 评估指标 指标：AUC（越大越好）； 数据 数据概况 来源：某信贷平台的贷款记录； 数据量：超过120w，80w条训练集，20w条测试集A，20w条测试集B； 字段：47列变量，其中15列为匿名变量； 其他：employmentTitle、purpose、postCode和title等信息脱敏； 字段 id 为贷款清单分配的唯一信用证标识 loanAmnt 贷款金额 term 贷款期限（year） interestR
【EDA】天池金融风控-贷款违约预测
shuzip的博客
09-15 323
import pandas as pd train = pd.read_csv('data/train.csv') testA = pd.read_csv('data/testA.csv') print('Train data shape:',train.shape) print('TestA data shape:',testA.shape) Train data shape: (800000, 47) TestA data shape: (200000, 48) train.head()
天池贷款违约预测
weixin_48252774的博客
03-24 768
# 读取数据 data_row = pd.read_csv('D:/天池/贷款违约预测/train.csv') data_row.head(5) # 查看分类情况 data_row.isDefault.value_counts() # 提取类别 cols_row = data_row.columns.to_list() # 提取文本列并替换为数字 cat_ = data_row.select_dtypes(include='object').columns Index([‘grade’, ‘subG
Datawhale&天池贷款违约预测——Task4 建模与调参
loft_的博客
09-24 498
Datawhale&天池贷款违约预测——Task4 建模与调参 目录Datawhale&天池贷款违约预测——Task4 建模与调参1.模型介绍1.1 逻辑回归模型1.2 树模型1.3 集成模型集成方法GBDT模型LightGBM模型CatBoost模型2.模型集成方法2.1 Bagging2.2 Boosting2.3 bagging和boosting的区别总结如下3.模型评估方法3.1 AUC 1.模型介绍 1.1 逻辑回归模型 理解逻辑回归模型 逻辑回归模型的应用 逻辑回归的优缺点 1
天池金融风控违约预测xgboost
12-29
天池金融风控违约预测是一个基于大数据和人工智能技术的金融风险评估和控制平台。而xgboost是一种梯度提升算法，被广泛应用于数据挖掘和机器学习领域。 在天池金融风控违约预测中，xgboost算法可以用来构建模型，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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