互联网金融借款违约预测

最新推荐文章于 2023-12-12 20:02:58 发布
最新推荐文章于 2023-12-12 20:02:58 发布
阅读量8.6k 收藏
点赞数
文章标签： 人工智能 python
原文链接：http://www.cnblogs.com/code2one/p/10293531.html
版权

本项目主要关注实现，数据分析、特征工程涉及较少，而且数据量较大，并没有进行多次调参。
另外，由于数据的分类极其不平衡，本项目尝试使用SMOTE增加偏少类的样本数量。

%matplotlib inline
import matplotlib.pyplot as plt
import pandas as pd
from dateutil.parser import parse
import datetime
import numpy as np
path = ''
lc = pd.read_csv(path + 'LC.csv')
lp = pd.read_csv(path + 'LP.csv')
lc.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 328553 entries, 0 to 328552
Data columns (total 21 columns):
ListingId    328553 non-null int64
借款金额         328553 non-null int64
借款期限         328553 non-null int64
借款利率         328553 non-null float64
借款成功日期       328553 non-null object
初始评级         328553 non-null object
借款类型         328553 non-null object
是否首标         328553 non-null object
年龄           328553 non-null int64
性别           328553 non-null object
手机认证         328553 non-null object
户口认证         328553 non-null object
视频认证         328553 non-null object
学历认证         328553 non-null object
征信认证         328553 non-null object
淘宝认证         328553 non-null object
历史成功借款次数     328553 non-null int64
历史成功借款金额     328553 non-null float64
总待还本金        328553 non-null float64
历史正常还款期数     328553 non-null int64
历史逾期还款期数     328553 non-null int64
dtypes: float64(3), int64(7), object(11)
memory usage: 52.6+ MB
lc.head().T
01234
ListingId126541133291142421149711152141
借款金额180009453270002500020000
借款期限121224126
借款利率1820201816
初始评级CDECC
借款类型其他其他普通其他电商
是否首标否否否否否
年龄3534413424
性别男男男男男
手机认证成功认证未成功认证成功认证成功认证成功认证
户口认证未成功认证成功认证未成功认证成功认证成功认证
视频认证成功认证未成功认证未成功认证成功认证成功认证
学历认证未成功认证未成功认证未成功认证未成功认证未成功认证
征信认证未成功认证未成功认证未成功认证未成功认证未成功认证
淘宝认证未成功认证未成功认证未成功认证未成功认证未成功认证
历史成功借款次数1145613
历史成功借款金额4032614500218943619077945
总待还本金8712.737890.6411726.39703.410
历史正常还款期数57132541118
历史逾期还款期数1613114
lp.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3203276 entries, 0 to 3203275
Data columns (total 10 columns):
ListingId     int64
期数            int64
还款状态          int64
应还本金          float64
应还利息          float64
剩余本金          float64
剩余利息          float64
到期日期          object
还款日期          object
recorddate    object
dtypes: float64(4), int64(3), object(3)
memory usage: 244.4+ MB
lp.head()
ListingId期数还款状态应还本金应还利息剩余本金剩余利息到期日期还款日期recorddate
0126541111380.23270.000.00.02015-06-042015-06-042017-02-22
1126541211400.94249.290.00.02015-07-042015-07-042017-02-22
2126541311421.95228.280.00.02015-08-042015-08-042017-02-22
3126541411443.28206.950.00.02015-09-042015-09-042017-02-22
4126541511464.93185.300.00.02015-10-042015-10-042017-02-22
# 提前去掉不需要的列
lc.drop('借款成功日期', axis=1, inplace=True)

合成label

目标是预测借款三个月内是否会逾期30天及以上。这只有在第一期和第二期逾期30天及以上时才会出现。下面开始提取label。

# 第1、2期未还款的提取出来。
u_data = lp.copy()
u12_late = u_data[((u_data['期数'] == 1) | (u_data['期数'] == 2)) \
                  & ((u_data['还款状态'] == 0) | (u_data['还款状态'] == 2) | (u_data['还款状态'] == 4))]

# 将没有还款日期的日期改为'2050-01-01'
u12_late['还款日期'] = u12_late['还款日期'].apply(lambda x : x if x !='\\N' else '2050-01-01')

# 计算逾期天数
u12_late['逾期天数'] = u12_late['还款日期'].apply(parse)-u12_late['到期日期'].apply(parse)

# 提取出违约名单
u_label = u12_late[u12_late['逾期天数'] > datetime.timedelta(30)]
id_tar = u_label.ListingId.unique()
label_id = pd.DataFrame({'ListingId':id_tar,'label':np.ones(id_tar.size)})

# 联接，并删除不再需要的ListingId
all_data = pd.merge(lc,label_id,how='outer',on='ListingId')
all_data.drop('ListingId', axis=1, inplace=True)

# 后面就不需要lp了
del lp, u_data
all_data.head()
借款金额借款期限借款利率初始评级借款类型是否首标年龄性别手机认证户口认证视频认证学历认证征信认证淘宝认证历史成功借款次数历史成功借款金额总待还本金历史正常还款期数历史逾期还款期数label
0180001218.0C其他否35男成功认证未成功认证成功认证未成功认证未成功认证未成功认证1140326.08712.735716NaN
194531220.0D其他否34男未成功认证成功认证未成功认证未成功认证未成功认证未成功认证414500.07890.64131NaN
2270002420.0E普通否41男成功认证未成功认证未成功认证未成功认证未成功认证未成功认证521894.011726.32253NaN
3250001218.0C其他否34男成功认证成功认证成功认证未成功认证未成功认证未成功认证636190.09703.41411NaN
420000616.0C电商否24男成功认证成功认证成功认证未成功认证未成功认证未成功认证1377945.00.0011814NaN
# 缺失值分析
check_null = all_data.isnull()\
    .sum(axis=0)\
    .sort_values(ascending=False)/float(len(lc))
check_null
label       0.85136
历史逾期还款期数    0.00000
借款期限        0.00000
借款利率        0.00000
初始评级        0.00000
借款类型        0.00000
是否首标        0.00000
年龄          0.00000
性别          0.00000
手机认证        0.00000
户口认证        0.00000
视频认证        0.00000
学历认证        0.00000
征信认证        0.00000
淘宝认证        0.00000
历史成功借款次数    0.00000
历史成功借款金额    0.00000
总待还本金       0.00000
历史正常还款期数    0.00000
借款金额        0.00000
dtype: float64
# 对label，NaN的填0
all_data['label'].fillna(value=0,inplace=True)
# 数据探索与分析
# 大致观察数据统计指标情况，发现一些需要修正的outlier。另外，label的类型极度不平衡，在后面将采用smote扩展样本。
all_data.describe().T
countmeanstdmin25%50%75%max
借款金额328553.04423.81690611219.664024100.02033.03397.005230.00500000.00
借款期限328553.010.2135942.7804441.06.012.0012.0024.00
借款利率328553.020.6014391.7724086.520.020.0022.0024.00
年龄328553.029.1430426.62428617.024.028.0033.0056.00
历史成功借款次数328553.02.3231592.9223610.00.02.003.00649.00
历史成功借款金额328553.08785.85677135027.3634820.00.05000.0010355.007405926.00
总待还本金328553.03721.6653618626.0612050.00.02542.415446.811172652.87
历史正常还款期数328553.09.94765814.8398990.00.05.0013.002507.00
历史逾期还款期数328553.00.4232501.5956810.00.00.000.0060.00
label328553.00.1486400.3557330.00.00.000.001.00

特征工程

# 分开attributes和label
y = all_data["label"].copy()
all_data = all_data.drop('label', axis=1)
# 特征的合并
# 1.加权利率 = 借款期限 * 借款的利率
# 2.还款期数比 = 历史正常还款期数 / (历史正常还款期数 + 逾期期数)
# 3.未还款比 = 总待还本金/历史成功借款金额
# 4.剩余还款压力 = 总待还本金 / 借款金额
all_data['加权利率'] = all_data['借款期限'] * all_data['借款利率']
all_data['还款期数比'] = all_data['历史正常还款期数'] / (all_data['历史正常还款期数'] + all_data['历史逾期还款期数'])
all_data['未还款比'] = all_data['总待还本金'] / all_data['历史成功借款金额']
all_data['剩余还款压力'] = all_data['总待还本金'] / all_data['借款金额']
# fillna
median = all_data[['还款期数比','未还款比','剩余还款压力']].mean()
all_data.fillna(median, inplace=True)
all_data.head().T
01234
借款金额180009453270002500020000
借款期限121224126
借款利率1820201816
初始评级CDECC
借款类型其他其他普通其他电商
是否首标否否否否否
年龄3534413424
性别男男男男男
手机认证成功认证未成功认证成功认证成功认证成功认证
户口认证未成功认证成功认证未成功认证成功认证成功认证
视频认证成功认证未成功认证未成功认证成功认证成功认证
学历认证未成功认证未成功认证未成功认证未成功认证未成功认证
征信认证未成功认证未成功认证未成功认证未成功认证未成功认证
淘宝认证未成功认证未成功认证未成功认证未成功认证未成功认证
历史成功借款次数1145613
历史成功借款金额4032614500218943619077945
总待还本金8712.737890.6411726.39703.410
历史正常还款期数57132541118
历史逾期还款期数1613114
加权利率21624048021696
还款期数比0.7808220.9285710.8928570.976190.893939
未还款比0.2160570.5441820.5355950.2681240
剩余还款压力0.4840410.8347230.4343080.3881360
all_data.hist(bins=100, figsize=(20,15))
plt.show()

1523511-20190119223918695-877020783.png

SMOTENC

# 首先numerise cat数据
# 划分每一列类型
row_ordial_attribs = ['初始评级']
cat_attribs = ['借款类型', '是否首标', '性别', '手机认证', '户口认证', '视频认证', '学历认证', '征信认证', '淘宝认证']
num_attribs = list(all_data.drop(list(row_ordial_attribs + cat_attribs), axis=1)) 

# ordinarise
# 下面方法自定义mapper
# key = list(np.sort(all_data['初始评级'].unique()))
# mapper = dict(zip(key, range(len(key))))
# all_data['初始评级'].replace(mapper, inplace=True)

# auto方式
for col_name in row_ordial_attribs + cat_attribs:
    if col_name in row_ordial_attribs:
        all_data[col_name] = pd.factorize(all_data[col_name],sort=True)[0]
    else:
        all_data[col_name] = pd.factorize(all_data[col_name])[0]

# one-hot
# cat_attribs = ['借款类型', '是否首标', '性别', '手机认证', '户口认证', '视频认证', '学历认证', '征信认证', '淘宝认证']
# all_data = pd.get_dummies(all_data, columns=cat_attribs)
# SMOTE抽样。由于label极度不平衡。
from imblearn.over_sampling import SMOTENC

cols = list(all_data.columns)
cat_index = []
for col in row_ordial_attribs + cat_attribs:
    cat_index.append(cols.index(col))
    
sm = SMOTENC(sampling_strategy=0.2, categorical_features=cat_index ,k_neighbors=5,n_jobs=4)
X_res, y_res = sm.fit_sample(all_data, y) # 返回ndarray

sm = SMOTENC(categorical_features=[1],k_neighbors=2)

# 合成回df
X_col = all_data.columns
X_data = pd.DataFrame(X_res, columns=X_col)
y_data = pd.DataFrame(y_res, columns=['label'])
resample_data = pd.concat([X_data, y_data], axis=1)
# 特征的离散化
# 借款金额，借款期限，借款利率，年龄

def money_2_cat(money):
    if money <= 10000:
        return money//3000
    elif money <= 100000:
        return money//10000 + 3
    elif money <= 1000000:
        return money//100000 + 13
    else:
        return 23


def due_2_cat(day):
    if day <= 6:
        return 0
    elif day <= 12:
        return 1
    else:
        return 2


def rate_2_cat(rate):
    if rate <= 13:
        return 0
    elif rate <= 17:
        return 1
    elif rate <= 21:
        return 2
    else:
        return 3


def age_2_cat(age):
    if age <= 22:
        return 0
    elif age <= 25:
        return 1
    elif age <= 30:
        return 2
    elif age < 40:
        return 3
    else:
        return 4


resample_data['借款金额'] = resample_data['借款金额'].apply(money_2_cat)
resample_data['借款期限'] = resample_data['借款期限'].apply(due_2_cat)
resample_data['借款利率'] = resample_data['借款利率'].apply(rate_2_cat)
resample_data['年龄'] = resample_data['年龄'].apply(age_2_cat)
final_data = resample_data.sample(frac=1)
final_data.to_csv(path+'final_data.csv', index=None, encoding='utf-8')
final_data.head().T
203329997988800311869289215
借款金额1.0000000.0000000.0000001.0000000.000000
借款期限0.0000001.0000001.0000001.0000000.000000
借款利率1.0000003.0000003.0000003.0000002.000000
初始评级1.0000003.0000003.0000002.0000002.000000
借款类型1.0000003.0000001.0000001.0000003.000000
是否首标0.0000000.0000000.0000000.0000000.000000
年龄3.0000003.0000000.0000001.0000001.000000
性别1.0000000.0000000.0000000.0000000.000000
手机认证0.0000001.0000001.0000000.0000001.000000
户口认证0.0000000.0000000.0000000.0000000.000000
视频认证1.0000001.0000000.0000001.0000001.000000
学历认证0.0000000.0000000.0000000.0000001.000000
征信认证0.0000000.0000000.0000000.0000000.000000
淘宝认证0.0000000.0000000.0000000.0000000.000000
历史成功借款次数1.0000003.0000002.0000005.0000003.000000
历史成功借款金额7500.0000005975.0000003935.00000014544.0000005149.000000
总待还本金5704.6800004340.6400003199.8000004132.5000003298.040000
历史正常还款期数3.0000008.0000005.00000033.00000010.000000
历史逾期还款期数0.0000000.0000000.0000003.0000000.000000
加权利率96.000000264.000000264.000000264.000000120.000000
还款期数比1.0000001.0000001.0000000.9166671.000000
未还款比0.7606240.7264670.8131640.2841380.640520
剩余还款压力1.5032095.4668012.4613850.8265004.704765
label0.0000000.0000000.0000001.0000000.000000
final_data = pd.read_csv(path+'final_data.csv')

模型训练与调优

Y = final_data['label'].copy()
X = final_data.drop('label', axis=1)
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import GradientBoostingClassifier

param_grid = [
    {'n_estimators':[50], 'learning_rate': [0.1], 'min_samples_leaf': [100], 'min_samples_split': [100], 'max_depth':[7]}
  ]

gbc = GradientBoostingClassifier()
grid_search = GridSearchCV(gbc, param_grid, cv=4,
                           scoring='roc_auc', 
                           n_jobs=4,
                           return_train_score=True)
grid_search.fit(X, Y)
# 查看结果
grid_search.best_params_

grid_search.best_estimator_

cvres = grid_search.cv_results_
for mean_score, params in zip(cvres["mean_test_score"], cvres["params"]):
    print(mean_score, params)
    
pd.DataFrame(grid_search.cv_results_).T
0.7771415886609713 {'learning_rate': 0.1, 'max_depth': 7, 'min_samples_leaf': 100, 'min_samples_split': 100, 'n_estimators': 50}
0
mean_fit_time170.069
std_fit_time1.23085
mean_score_time0.262221
std_score_time0.0795939
param_learning_rate0.1
param_max_depth7
param_min_samples_leaf100
param_min_samples_split100
param_n_estimators50
params{'learning_rate': 0.1, 'max_depth': 7, 'min_sa...
split0_test_score0.776663
split1_test_score0.776003
split2_test_score0.777184
split3_test_score0.778716
mean_test_score0.777142
std_test_score0.0010006
rank_test_score1
split0_train_score0.791537
split1_train_score0.792024
split2_train_score0.791077
split3_train_score0.79236
mean_train_score0.79175
std_train_score0.0004864

转载于:https://www.cnblogs.com/code2one/p/10293531.html

weixin_30701575
关注
「数据科学」天池金融风控-贷款违约预测数据分析
秀球Gang的学习小站
09-17 3870
天池金融风控-贷款违约预测数据分析1. 学习目的2. 了解数据2.1 导入第三方库2.2 读取文件2.2.1 拓展知识2.3 总体了解2.3.1 样本个数和特征维度3. 数据分析与可视化3.1 缺失值与唯一值3.2 数值类型与对象类型3.2.1 数值类型变量分析3.2.2 对象类型变量分析3.3 变量分布可视化3.3.1 单一变量分布可视化3.3.2 根绝y值不同可视化x某个特征的分布3.4 时间数据处理与可视化3.5 透视图3.6 生成数据报告4. 总结 1. 学习目的 上一篇文章介绍了天池“金融风控-贷
金融风控-贷款违约预测-训练营 - Task1
weixin_47789143的博客
04-22 156
金融风控-贷款违约预测-训练营 - Task1 一、 学习知识点概要 理解此次金融风控之贷款违约预测挑战赛的赛题，进行具体细节的理解和解读 熟悉比赛的具体流程，以及数据挖掘的具体过程 二、学习内容 2.1 理解此次金融风控之贷款违约预测挑战赛的赛题，进行具体细节的理解和解读 赛题解读： 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。 分类模型：机器通过学习与训练已有的数据，从而预测新数据的类别。即找到一个函
零基础入门金融风控-贷款违约预测-task1
zhaoluy的博客
09-15 324
零基础入门金融风控-贷款违约预测赛题理解赛题数据评测标准结果提交操作读取数据 赛题链接地址 进度安排 赛题理解 赛题数据 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，同时会对employmentTitle、purpose、postCode和title等信息进行脱敏。 数据文件 sample_submit.c
金融风控-贷款违约预测
weixin_43869610的博客
09-14 4393
**摘要：**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。比赛
Datawhale--零基础入门金融风控（五）
qq_42026794的博客
09-27 278
模型融合一、stacking\blending详解 一、stacking\blending详解 stacking 将若干基学习器获得的预测结果，将预测结果作为新的训练集来训练一个学习器。如下图 假设有五个基学习器，将数据带入五基学习器中得到预测结果，再带入模型六中进行训练预测。但是由于直接由五个基学习器获得结果直接带入模型六中，容易导致过拟合。所以在使用五个及模型进行预测的时候，可以考虑使用K折验证，防止过拟合。 2. blending 与stacking不同，blending是将预测的值作为新的.
Credit-Loans-of-Data-Analysis:基于互联网金融平台2015年度贷款数据完成信贷违约预测模型，该模型可以作为信贷平台预测违约借款人的参考
04-29
互联网金融LeningClub信贷数据分析项目实践 转载请注明作者和出处： Github代码获取： Python版本： Python3.6 运行环境： Win10 + Anaconda + jupyter Notebook + Sublime text3 1. 项目简介 采用了Lending Club ...
【综合案例】网络贷款违约预测
weixin_47974364的博客
09-17 2552
随着互联网应用的日益普及，网络贷款已成为一种常见的贷款形式。但是，网络借贷行业也存在着很多的风险失控问题。为了规范网络借贷过程管理，加强网络借贷风险控制，业界人士开始采用一些技术手段来规避网络借贷风险。 许多金融服务机构在前期的业务运营中积累了大量的客户数据，如个人基本信息、在机构办理业务信息等数据。本文正是基于**数据挖掘技术**，综合客户各项信息数据及以往业务中是否违约为分类标签，**进行模型训练**，经过调整优化后对新的申请用户信息**进行分类预测**，以预测结果作为核发贷款的重要依据。
互联网金融摘要.zip
08-05
例如，基于大数据的信用评分系统，能够更准确地预测借款人违约概率，提高金融服务效率。 4. **众筹**：众筹是通过互联网平台向大众募集资金的方式，可以是股权众筹、奖励众筹、债权众筹或捐赠众筹。这种方式为企业...
基于机器学习算法的信用风险预测模型研究——以某互联网金融公司数据样本为例
04-27
本文以某互联网金融公司的数据样本为研究对象，探讨了机器学习在信用风险预测中的应用。 首先，文中提到了互联网消费金融的特性，如便捷性、低交易成本和广泛的用户覆盖，这些特性推动了其快速发展。随着经济和消费...
鄂维南：互联网金融的风险预测.pdf
07-17
互联网金融的风险预测是当前金融领域研究的热点问题之一，它涉及利用数据挖掘技术和大数据分析手段，对互联网金融尤其是P2P（Peer-to-Peer）贷款平台的风险进行评估和预测。通过这些技术，可以更好地理解和识别...
金融风控-贷款违约预测Task1 学习笔记
weixin_43421111的博客
09-15 233
金融风控-贷款违约预测Task1 学习笔记 目标：理解赛题目标，学习相应理论概念，熟悉应用预测指标，评分规则。 学习： 一.容易混淆 若一个实例为正类，被预测为负类，即为假负类。（False Negative）（FN） 若一个实例为负类，被预测为正类，即为假正类。（False Positive）（FP） 二.概念理解： 1.精确率（Precision）：P = TP/（TP + FP） 表述了分为正类的示例中实际为正类的比例。 2. 召回率（Recall）：recall=TP/(TP+FN) 是覆盖面的度量
零基础入门金融风控-贷款违约预测作业1
weixin_46319888的博客
09-15 181
import numpy as np import pandas as pd import os os.chdir("G:\\datawhale\\finance") train = pd.read_csv('train.csv') testA = pd.read_csv('testA.csv') train.head() id loanAmnt term interestRate installment
人工智能课程设计毕业设计——基于机器学习的贷款违约预测
最新发布
weixin_47058355的博客
12-12 3569
另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法（预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引），减少了内存的使用，并加速的模型的训练速度。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器，Boosting，也称为增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器。
「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之贷款违约预测—数据分析
sosososoon的博客
09-18 2094
主要目标 了解数据集的一些基本情况，如缺失值，异常值，数据集大小，原始特征维度等 了解变量间的相互关系、变量与预测值之间存在的关系 观察变量的分布情况，为特征工程做准备
决策树实践案例一之拍拍贷客户逾期还款预测
啦啦啦~~
08-21 3127
本文分为两大部分第一部分简单举例讲述决策树算法的原理概念 第二部分基于决策树用案例实现贷款是否逾期预测 决策树算法是机器学习经典算法之一，原理相对简单易懂。首先决策树毕竟是帮助做出更好的决策的一种算法，决策树ID3根据信息增益的大小作为结点进行分支，拿最经典的西瓜书里判断是否好瓜来举例子，有十七课西瓜各有各的特征，但是我们第一思维是:好瓜毕竟有某种一致的属性，相同不好的西瓜也有它...
数据挖掘实践（金融风控-贷款违约预测）（一）：赛题理解
南有芙蕖
09-14 4639
数据挖掘实践（金融风控-贷款违约预测）（一）：赛题理解 目录数据挖掘实践（金融风控-贷款违约预测）（一）：赛题理解1 引言2 赛题介绍2.1 数据概况2.2 预测指标2.2.1 分类算法常见的评估指标2.2.2 金融风控预测类常见的评估指标3 实战4 总结【参考资料】 1 引言   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
用sklearn做一个完整的机器学习工程——以波士顿房价预测为例。（一、用自定义转换器、Pipeline Feature_Union做特征工程）
PythonstartL的博客
10-09 4440
想要一直做一个完整的机器学习工程已经好久了，这篇博客呢，我会用到决策树，随机森林，svm，xgboost，投票法等方法。对波士顿的房价进行预测。本篇博客不会对相关原理进行解释，如果想要了解各个算法的原理，请阅读李航的统计机器学习，周志华的机器学习，以及陈天奇的XGBoost: A Scalable Tree Boosting System 和相关博客 部分代码参考利用python进行数据分析 ...
我国互联网金融风险与防范策略
3. 信用风险：借款人违约、平台信用问题等可能引发资金链断裂，影响投资者利益。 五、解决互联网金融风险的措施 1. 加强互联网金融技术风险管理，提升系统的安全性，防止黑客攻击和数据泄露。 2. 对互联网金融操作...
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