- 博客(5)
- 收藏
- 关注
RSS订阅原创 天池学习赛——金融风控-贷款违约预测(05)模型融合
import pandas as pdimport numpy as npimport warningsimport oswarnings.filterwarnings('ignore')# import pandas as pdimport seaborn as snsimport matplotlib.pyplot as plt"""sns 相关设置@return:"""# 声明使用 Seaborn 样式sns.set()# 有五种seaborn的绘图风格，它们分别是：da
2020-09-27 21:17:52
515
原创 天池学习赛——金融风控-贷款违约预测(04)建模与调参
模型对比逻辑回归优点训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；适合二分类问题，不需要缩放输入特征；内存资源占用小，只需要存储各个维度的特征值；缺点逻辑回归需要预先处理缺失值和异常值【可参考task3特征工程】；不能用Logistic回归去解决非线性问题，因为Logistic的决策面是线性的；对多重共线性数据较为敏感，且很难处理数据不平衡的问题；准确率并不是很高，因为形式非常简单，很难去拟合数
2020-09-24 20:47:10
653
原创 天池学习赛——金融风控-贷款违约预测(03)特征工程
听过这么一句话，特征工程决定了模型的上限，而算法参数调优只是无限逼近这个上限。接下来，我们将对数据进行特征工程，以便提高模型的精度。类别特征处理cate_features = ['grade', 'subGrade', 'employmentTitle', 'homeOwnership', 'verificationStatus', 'purpose', 'postCode', 'regionCode', 'applicationType', 'initialListStatus', 'titl
2020-09-21 23:00:16
374
原创 天池学习赛——金融风控-贷款违约预测(02)
对数据进行探索性数据分析，理解变量的数据分布特点，有助于我们更好的了解数据，便于对数据进行预处理以及特征工程，构建更精确的模型。接下来对贷款违约预测数据进行EDA，探索其数据花园的秘密（滑稽）。导入库import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport pandas_profilingimport warningswarnings.filterwarni
2020-09-18 20:10:44
405
原创 天池学习赛——金融风控-贷款违约预测(01)
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：FieldDescriptionid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
2020-09-15 19:39:59
604
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人