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，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。