一种数据科学方法，用于预测和了解申请人的个人资料，以最大程度地降低未来贷款违约的风险。

关于该项目

该数据集包含有关信贷申请人的信息。在全球范围内，银行使用这种数据集和信息数据类型来创建模型，以帮助决定接受/拒绝谁的贷款。

在进行所有探索性数据分析、清理和处理我们可能（将）发现的所有异常之后，一个好/坏申请人的模式将暴露在机器学习模型中学习。

机器学习问题和目标

我们正在处理一个有监督的二元分类问题。目标是训练最好的机器学习模型，以最大限度地提高深入了解过去客户资料的预测能力，最大限度地降低未来贷款违约的风险。

性能指标

鉴于我们正在处理高度不平衡的数据，用于模型评估的指标是 ROC AUC 。

项目结构

该项目分为三类：

1. EDA：探索性数据分析

2. 数据整理：清理和特征选择

3. 机器学习：预测建模

数据集

数据集为lendingclub数据集。

功能描述

导入依赖库

import pandas as pd
import numpy as np
import seaborn as sns
import pingouin as pg
import scipy
from scipy.stats import chi2
from scipy.stats import chi2_contingency
from scipy.stats import pearsonr, spearmanr
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn import tree
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
from sklearn.linear_model import Perceptron
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import  precision_recall_curve, roc_auc_score, confusion_matrix, accuracy_score, recall_score, precision_score, f1_score,auc, roc_curve, plot_confusion_matrix
from category_encoders import BinaryEncoder
from IPython.display import Image
import pydotplus
import matplotlib.pyplot as plt
%matplotlib inline
color = sns.color_palette()
seed = 42

加载和显示数据集：

data = pd.read_csv('lending_club_loan_dataset.csv', low_memory=False

>> data.head()

如果大家对金融风控建模感兴趣，可了解《python金融风控评分卡模型和数据分析(加强版)》

EDA：解释性数据分析

数值属性的主要统计数据：
>> data.describe().round(3)

该数据集有 2000 个观测值和包括目标在内的 15 个变量，分为 11 个数字特征和 4 个类别特征。

存在缺失值的变量：“home_ownership”为 7.46%，“dti”为 0.77%，“last_major_derog_none”为 97.13%。

从均值和中位数的差异，以及变量“annual_inc”、“revol_util”和“total_rec_late_fee”的最大值的距离来看，似乎有一些异常值。

分类属性的主要统计数据：

**不平衡的数据：**目标有 80% 的违约结果（值 1），而 20% 的贷款最终被支付/未违约（值 0）

EDA 功能

使用和滥用图形来描述数据集中的所有特征。首先为每个图表定义一些函数：箱线图、直方图、条形图和饼图、散点图、数据透视图以及统计描述。

类别分布的可视化：

直方图告诉我们，收入越高，违约趋势越高。

散点图显示了“年收入”和“债务收入比”之间的弱负相关。

相关值为 -0.23，这意味着随着 yearn_inc 的减少，实例 1 的贷款（违约/未支付）增加。

就业年限。可能的值介于 0 和 10 之间，其中 0 表示不到一年，而 10 表示十年或更长时间。

特征：dti（债务收入比）

使用借款人每月债务支付总额与债务总额（不包括抵押贷款和申请的信用证贷款）除以借款人自我报告的月收入计算得出的比率。

与良好贷款相比，不良贷款（违约）的分布平均具有更高的“dti”值（债务与收入比率）。

等级Grade：趋势是当等级等级降低时，违约贷款的可能性增加。

revol_util

循环线利用率，或借款人使用的信贷量相对于所有可用的循环信贷。客户的年收入越低，借款人使用的信用额度相对于所有可用的循环信用额度越高。

年收入最低的客户是滞纳金较多的客户，尤其是最高和重的客户。

在房屋、小型企业或度假等贷款用途中，滞纳金的发生频率较高。另一方面，婚礼和汽车是滞纳金执行最低的信用目的。

od_ratio透支比率

**箱线图：**可视化数值数据分散

模型的混淆矩阵

模型ROC曲线

多算法比较中，支持向量机svc的auc最高

结论

最佳模型： 支持向量机 – 分类器 (SVC)：75.21%。

经验法则非常简单：ROC AUC 指标的值越高越好。如果模型auc只有 0.5，表示模型功能和随机猜测差不多。如果模型表现完美，auc将达到 1.0。

作者推荐AUC参考阈值和模型性能划分

版权声明：本文为CSDN博主「python机器学习建模」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。