2021-04-21

本学习笔记为阿里云天池龙珠计划Docker训练营的学习内容，学习链接为：https://tianchi.aliyun.com/specials/activity/promotion/aicampdocker

一、学习知识点概要

本次学习主要以下面四点展开学习

• 赛题概况
• 数据概况
• 预测指标
• 分析赛题

二、学习内容

1.赛题中的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。

2.对于数据在比赛界面都有对应的数据概况介绍（匿名特征除外），说明列的性质特征，了解列的性质会有助于我们对于数据的理解和后续分析。说白了数据的性质特征就是数据的名字，像java里面的类一样，如下：

• 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

3.预测指标以AUC（Area Under Curve）为评价指标

分类算法常见的评估指标如下：

1、混淆矩阵（Confuse Matrix）

• （1）若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive )
• （2）若一个实例是正类，但是被预测为负类，即为假负类FN(False Negative )
• （3）若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive )

• （4）若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative )

• （就是说预测对了就是真类，预测错了就是假类）

2、准确率（Accuracy） 准确率是常用的一个评价指标，但是不适合样本不均衡的情况。Accuracy=TP+TNTP+TN+FP+FNAccuracy=TP+TN/（TP+TN+FP+FN）

（预测正确的实例数量除以总数）

3、精确率（Precision） 又称查准率，正确预测为正样本（TP）占预测为正样本(TP+FP)的百分比。Precision=TPTP+FPPrecision=TP/（TP+FP）

4、召回率（Recall） 又称为查全率，正确预测为正样本（TP）占正样本(TP+FN)的百分比。Recall=TPTP+FNRecall=TP/（TP+FN）

5、F1 Score 精确率和召回率是相互影响的，精确率升高则召回率下降，召回率升高则精确率下降，如果需要兼顾二者，就需要精确率、召回率的结合F1 Score。F1−Score=21Precision+1RecallF1−Score=21Precision+1Recall

（两者之间要有一个最佳平衡点）

6、P-R曲线（Precision-Recall Curve） P-R曲线是描述精确率和召回率变化的曲线

7、ROC（Receiver Operating Characteristic）

• ROC空间将假正例率（FPR）定义为 X 轴，真正例率（TPR）定义为 Y 轴。

 

TPR=TP/（TP+FN）      

FPR=FP/（FP+TN）

AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。

 

KS(Kolmogorov-Smirnov)常用于评估模型区分度。区分度越大，说明模型的风险排序能力（ranking ability）越强。 K-S曲线与ROC曲线类似，不同在于

• ROC曲线将真正例率和假正例率作为横纵轴
• K-S曲线将真正例率和假正例率都作为纵轴，横轴则由选定的阈值来充当。 公式如下：KS=max(TPR−FPR)

• KS不同代表的不同情况，一般情况KS值越大，模型的区分能力越强，但是也不是越大模型效果就越好，如果KS过大，模型可能存在异常，所以当KS值过高可能需要检查模型是否过拟合。以下为KS值对应的模型情况，但此对应不是唯一的，只代表大致趋势。

KS（%）	好坏区分能力
20以下	不建议采用
20-40	较好
41-50	良好
51-60	很强
61-75	非常强
75以上	过于高，疑似存在问题

4.读取数据有两种方法，第一种通过wget命令从链接直接下载数据到dsw，另一种就是可以直接利用pandas读取链接数据。

 

三、学习问题与解答

python的代码几乎看不懂，需要对python代码进行了解。java和python的代码还是有挺大的差别的。

四、学习思考与总结

本次学习任务中的一些概念还是能够理解的，但还是要从python代码入手，不然我连例题都看不懂。。