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,数据量超过100w,一部分为训练集,为80万条的数据,另一部分为测试集,为20万条的数据。训练集总共有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 |
subGrade | 贷款等级之子级 |
employmentTitle | 就业职称 |
employmentLength | 就业年限(年) |
homeOwnership | 借款人在登记时提供的房屋所有权状况 |
annualIncome | 年收入 |
verificationStatus | 验证状态 |
issueDate | 贷款发放的月份 |
purpose | 借款人在贷款申请时的贷款用途类别 |
postCode | 借款人在贷款申请中提供的邮政编码的前3位数字 |
regionCode | 地区编码 |
dti | 债务收入比 |
delinquency_2years | 借款人过去2年信用档案中逾期30天以上的违约事件数 |
ficoRangeLow | 借款人在贷款发放时的fico所属的下限范围 |
ficoRangeHigh | 借款人在贷款发放时的fico所属的上限范围 |
openAcc | 借款人信用档案中未结信用额度的数量 |
pubRec | 贬损公共记录的数量 |
pubRecBankruptcies | 公开记录清除的数量 |
revolBal | 信贷周转余额合计 |
revolUtil | 循环额度利用率,或借款人使用的相对于所有可用循环信贷的信贷金额 |
totalAcc | 借款人信用档案中当前的信用额度总数 |
initialListStatus | 贷款的初始列表状态 |
applicationType | 表明贷款是个人申请还是与两个共同借款人的联合申请 |
earliesCreditLine | 借款人最早报告的信用额度开立的月份 |
title | 借款人提供的贷款名称 |
policyCode | 公开可用的策略_代码=1新产品不公开可用的策略_代码=2 |
n系列匿名特征 | 匿名特征n0-n14,为一些贷款人行为计数特征的处理 |
isDefault | 是否违约 |
在上表的47个变量中,目标变量为isDefault,而在其它46个特征变量中,如id可予以剔除。对于其它45个变量,可适当进行特征交叉或聚合,扩充一定的变量后,进行特征筛选,可基于特征重要性进行筛选。训练好相应模型后,本次学习赛的评估指标为AUC值,AUC值越大,则模型的效果越好。但其实也应该关注召回率,违约客户属于少数,而我们更注重是否可以将违约的借款客户预测出来,而召回率越高,则说明能正确预测出来的违约客户越多。