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。。