Datawhale金融风控之贷款违约预测-Task4

最新推荐文章于 2022-07-31 16:46:14 发布
最新推荐文章于 2022-07-31 16:46:14 发布
阅读量215 收藏
点赞数
分类专栏： Data Mining
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/u014142287/article/details/108785955
版权

  • 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；

  • 树模型：

    • 理解树模型；
    • 树模型的应用；
    • 树模型的优缺点；

  • 集成模型

    • 基于bagging思想的集成模型
      • 随机森林模型
    • 基于boosting思想的集成模型
      • XGBoost模型
      • LightGBM模型
      • CatBoost模型

  • 模型对比与性能评估：

    • 回归模型/树模型/集成模型；
    • 模型评估方法；
    • 模型评价结果；

  • 模型调参：

    • 贪心调参方法；

    • 网格调参方法；

    • 贝叶斯调参方法；

liuke0002
关注
专栏目录
零基础入门金融风控-贷款违约预测之TASK4_模型融合
weixin_46292496的博客
09-27 174
针对分类问题，在简单方法中常用到投票法（Voting）。在不改变模型的情况下，直接对各个不同的模型预测结果进行投票，sklearn库中的VotingClassifier是投票法的实现。 投票法的输出有两种类型：一种是直接输出类标签，另外一种是输出类概率。使用前者进行投票为hard voting，使用后者进行分类叫做soft voting，通过voting参数进行控制。 from xgboost import XGBClassifier from sklearn.linear_model import Log
Datawhale&阿里云天池-金融风控-贷款违约预测-task1(赛题理解)
我就吃一口的BLOG
09-13 2016
零基础入门金融风控-贷款违约预测 数据集：阿里天池-索要之书-风控数据集 赛题来源：https://tianchi.aliyun.com/competition/entrance/531830/introduction 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。赛题方同时为本赛题定制了学习方案，其中包括数
贷款违约预测-Task4
nnezlyq的博客
09-24 190
Task4:建模和调参 1、读取数据： 正常的读取数据流程是读取一个模型数据，然后对数据进行建模处理——即分离数据集，分成训练集和测试集；目的是为了利用交叉验证对模型性能进行评估。教程就是采用的这个正常的流程。 data_train =pd.read_csv(’…/train.csv’) data_test_a = pd.read_csv(’…/testA.csv’) data_train = reduce_mem_usage(data_train) data_test_a = reduce_mem_usa
数据竞赛入门-金融风控（贷款违约预测）一、赛题介绍
weixin_44023658的博客
09-15 1116
赛题概况 比赛要求参赛选手根据给定的数据集，建立模型，预测金融风险。 赛题以预测金融风险为任务，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。 通过这道赛题来引导大家走进金融风控数据竞赛的世界，主要针对于于竞赛新人进行自我练习、自我提高.
金融风控-贷款违约预测-训练营 - Task4
weixin_47789143的博客
05-01 139
金融风控-贷款违约预测-训练营 - Task4 项目地址 比赛地址 一、 学习知识点概要 金融分控领域常用的机器学习模型 机器学习模型的建模过程与调参流程 二、学习内容 2.1 在金融分控领域常用的机器学习模型 2.1.1 逻辑回归模型 2.1.2 决策树模型 2.1.3 GBDT模型 2.1.4 XGBoost模型 2.1.5 LightGBM模型 2.1.6 Catboost模型 2.1.7 时间序列模型(选学) 2.2 机器学习模型的建模过程与调参流程 三、学习问题与解答 四、学习思考与总结 参考
天池比赛（-贷款违约预测）1--赛题理解
haidizym的博客
09-15 881
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。 字段表 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） interes
零基础入门金融风控-贷款违约预测-Task3
t1Alex的博客
09-21 369
写在前面：上一篇博客写了这个项目的Task2——即EDA，今天继续介绍Task3——特征工程。T3开始看着有点吃力了，因为python 的基础太差了，我很担心我能不能坚持完T4(TT)。不过在这个学习过程中，我的方法基本是理解任务目的，看代码，查函数，然后验证逻辑。其实如果时间更充裕的话可以自己半默写一下代码，下面还是结合教程具体记录下我的小小收获吧。（由于主要是理解为主，所以本博文还是要结合教程一起看，才比较有收获吧。） 直接附上整个项目链接吧：https://github.com/datawhale.
贷款违约预测-零基础入门金融风控之贷款违约预测挑战赛
weixin_33569641的博客
09-15 1069
Task1 赛题理解 Tip: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之贷款违约预测挑战赛。 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。 项目地址：https://github.com/datawhalechina/team-learning-data-m
阿里云天池学习赛【金融风控-贷款违约预测】task4
weixin_41598761的博客
09-24 1105
零基础入门金融风控-贷款违约预测TASK 44.建模以及调参4.1逻辑回归模型4.2决策树4.3集成方法4.3.1分类4.3.2 boosting4.3.3 bagging4.3.4 stacking4.4 数据集划分4.5 建模 4.建模以及调参 4.1逻辑回归模型 1.逻辑回归算法的名字里虽然带有“回归”二字，但实际上逻辑回归算法是用来解决分类问题的。 简单来说， 逻辑回归（Logistic Regression）是一种用于解决==二分类==（0 or 1)问题的机器学习方法， 用于估计某种事物
Datawhale零基础入门金融风控——贷款违约预测（Task 5 模型融合）
qq_45933062的博客
09-27 395
Datawhale零基础入门金融风控——贷款违约预测（Task 5 模型融合） 主要内容 模型融合的方式： 1、平均：简单平均法、加权平均法 2、投票：简单投票法、加权投票法 3、综合：排序融合、log融合 4、stacking:构建多层模型，并利用预测结果再拟合预测。 5、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。 6、boosting/bagging 1、平均 简单加权平均：结果直接融合 求多个预测结果的平均值。pre1-pren分别是n组模型预测出来的结果
金融风控-贷款违约预测 -- task02
qq_47506661的博客
09-18 262
金融风控-贷款违约预测 今天是task02的打卡时间点，作为社畜，时间着实紧张。EDA结果不是很好。但是也是作为一种记录，记录自己的学习过程。看到群里的小伙伴拿到0.73的成绩，我觉得，我也是可以的，周末好好加油学习，你也是可以的。 本章主要是进行数据可视化，探索可自变量与应变量之间的关系 首先看了变量类型，里面共有5个类别型变量，其余都为数值型变量。但是看了其分布，感觉这些数值型变量中，还有一些是类别型变量。 1 ） 贷款违约风险，及label Y变量“isDefault”，分布如下 从这个比例来看
入门金融风控【贷款违约预测】
fisheep的博客
09-15 1275
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。 天池比赛 Task01 赛题概括（见上文） 数据概括（了解数据概况） 预测指标（学习各种预测指标） 分析赛题 数据概括 train.csv 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（y
天池-金融风控-贷款违约预测-数据分析
weixin_44122249的博客
09-18 434
Part I:背景 Part II:结论 Part III:分析框架 数据概览 数据量、数据类型、数据缺失情况和数据分析； 相关性分析 两两特征的散点图和相关系数； Part IV:详细分析 4.1.数据概览 4.1.1数据条数 4.1.2数据类型 4.1.3数据缺失 4.1.4数据分布 4.2.相关性分析 4.2.1散点图 4.2.2相关系数 Part V:遗留问题 ...
笔记之零基础入门金融风控-贷款违约预测
qq_32804727的博客
09-15 743
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
金融风控-贷款违约预测-训练营 - Task5
weixin_47789143的博客
05-04 162
金融风控-贷款违约预测-训练营 - Task5 项目地址 比赛地址 一、 学习知识点概要 模型融合 二、学习内容 2.1 模型融合 平均： 简单平均法：结果直接融合 求多个预测结果的平均值。 加权平均法：根据之前预测模型的准确率，进行加权融合，将准确性高的模型赋予更高的权重，权值之和为1 投票： 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。 boo
天池-金融风控-贷款违约预测-赛题理解
weixin_44122249的博客
09-15 1570
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
金融风控-贷款违约预测之赛题理解
zhangxiaolinxin的博客
09-14 511
1、概况 赛题以预测金融风险为任务，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。 2、数据 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 inst
数据挖掘：贷款违约预测
Duke_LH的博客
05-19 1184
数据 数据来源阿里天池学习赛：零基础入门金融风控-贷款违约预测 代码 import pandas as pd import numpy as np from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score,accuracy_score import joblib from catboo
金融风控-贷款违约预测项目记录
ww12wy的博客
07-31 696
数据挖掘项目：金融风控-贷款违约预测
r语言金融风控之贷款违约预测
最新发布
05-29
R语言在金融风控领域中具有很大的优势，尤其是在贷款违约预测方面。贷款违约预测是指通过对已有数据进行分析和建模，预测贷款客户是否会违约，以便采取相应的措施降低风险。R语言可以用来进行数据清洗、可视化、特征...
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