ML - 贷款用户逾期情况分析1 - Baseline
文章目录
- 任务
- 总述
- 基本思路
- 代码部分
- 1. 数据集预览
- 2. 数据预处理
- 2.1 删除无用特征
- 2.2 字符型特征-编码
- 2.3 缺失特征处理
- 3. 特征工程
- 4. 模型选择
- 4.1 数据集划分
- 4.2 LR模型
- 4.3 SVM模型
- 4.4 决策树模型
- 4.5 XGBoost模型
- 4.6 LightGBM模型
- 5. 模型调参
- 6. 模型评估
- 7. 最终结果
- 遇到的问题
- Reference
- More
任务
给定金融数据,预测贷款用户是否会逾期。(status是标签:0表示未逾期,1表示逾期。)
Task1 - 构建逻辑回归模型进行预测(在构建部分数据需要进行缺失值处理和数据类型转换,如果不能处理,可以直接暴力删除)
Task2 - 构建SVM和决策树模型进行预测
Task3 - 构建xgboost和lightgbm模型进行预测
Task4 - 模型评估:记录五个模型关于accuracy、precision,recall和f1-score、auc、roc的评分表格,画出auc和roc曲线图
总述
基本思路
主要分为以下几个步骤:
1)数据集预览
2)数据预处理:删除无用特征、字符型特征编码和缺失值填充。
3)特征工程:略
4)模型选择:LR、SVM(线性、多项式、高斯、sigmoid)、决策树、XGB和lightGBM。
5)模型调参:略
6)模型评估:准确率、精准率和召回率、F1-score、AUC和ROC曲线。
7)最终结果
代码部分
1. 数据集预览
import pandas as pd
data = pd.read_csv('data.csv')
print(data.shape)
data.head()
观察输出可知,数据集尺寸是(4754, 90)。
下面观察一下各列的属性名称:
data.columns
输出:‘low_volume_percent’,‘middle_volume_percent’,‘take_amount_in_later_12_month_highest’ …
2. 数据预处理
2.1 删除无用特征
# 'bank_card_no','source'的取值无区分度
# 'Unnamed: 0', 'custid', 'trade_no'和id_name'与预测无关
data.drop(['Unnamed: 0', 'custid', 'trade_no', 'bank_card_no', 'source', 'id_name'], axis=1, inplace=True)
日期特征(暂时删除, 以后再处理)
data.drop(['first_transaction_time', 'latest_query_time', 'loans_latest_time'], axis=1, inplace=True)
2.2 字符型特征-编码
data['reg_preference_for_trad'].value_counts()
输出:
一线城市 3403
三线城市 1064
境外 150
二线城市 131
其他城市 4
对该特征编码如下:
dic = {}
for i, val in enumerate(list(data['reg_preference_for_trad'].unique())):dic[val] = i
data['reg_preference_for_trad'] = data['reg_preference_for_trad'].map(dic)
2.3 缺失特征处理
观察各列缺失值所占比例,从输出可以看出特征student_feature 缺失值占比超过一半,其余特征缺失值占比较低。
for feature in data.columns:summ = data[feature].isnull().sum()if summ:print('%.4f'%(summ*100/4754), '%', '--', feature)
1)student_feature 缺失占比多, 需要用众数填充;
data['student_feature'].value_counts()
输出:
1.0 1754
2.0 2
用众数1.0填充缺失值
data['student_feature'].fillna(1.0, inplace = True)
2)其余特征用均值填充。
for feature in data.columns:summ = data[feature].isnull().sum()if summ:data[feature].fillna(data[feature].mean(), inplace = True)
3. 特征工程
略
4. 模型选择
4.1 数据集划分
features = [x for x in data.columns if x not in ['status']]
# 划分训练集测试集
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScalerX = data[features]
y = data.statusX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,random_state=2333)# 特征归一化
std = StandardScaler()
X_train = std.fit_transform(X_train)
X_test = std.transform(X_test)
4.2 LR模型
from sklearn.linear_model import LogisticRegressionlr = LogisticRegression()
lr.fit(X_train, y_train)
4.3 SVM模型
线性核函数、多项式核函数、高斯核函数、sigmoid核函数
添加probability=True,可使用predict_proba预测概率值。
from sklearn import svmsvm_linear = svm.SVC(kernel = 'linear', probability=True).fit(X_train, y_train)
svm_poly = svm.SVC(kernel = 'poly', probability=True).fit(X_train, y_train)
svm_rbf = svm.SVC(probability=True).fit(X_train, y_train)
svm_sigmoid = svm.SVC(kernel = 'sigmoid',probability=True).fit(X_train, y_train)
4.4 决策树模型
树模型,特征不需归一化。
from sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier(max_depth=4)
clf.fit(X_train, y_train)
4.5 XGBoost模型
from xgboost.sklearn import XGBClassifierxgb = XGBClassifier()
xgb.fit(X_train, y_train)
4.6 LightGBM模型
from lightgbm.sklearn import LGBMClassifierlgb = LGBMClassifier()
lgb.fit(X_train, y_train)
5. 模型调参
略
6. 模型评估
观察accuracy、precision,recall和f1-score、auc的取值,并画出roc曲线图
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.metrics import roc_auc_score,roc_curve, auc
import matplotlib.pyplot as plt
%matplotlib inlinedef model_metrics(clf, X_train, X_test, y_train, y_test):# 预测y_train_pred = clf.predict(X_train)y_test_pred = clf.predict(X_test)y_train_proba = clf.predict_proba(X_train)[:,1]y_test_proba = clf.predict_proba(X_test)[:,1]# 准确率print('[准确率]', end = ' ')print('训练集:', '%.4f'%accuracy_score(y_train, y_train_pred), end = ' ')print('测试集:', '%.4f'%accuracy_score(y_test, y_test_pred))# 精准率print('[精准率]', end = ' ')print('训练集:', '%.4f'%precision_score(y_train, y_train_pred), end = ' ')print('测试集:', '%.4f'%precision_score(y_test, y_test_pred))# 召回率print('[召回率]', end = ' ')print('训练集:', '%.4f'%recall_score(y_train, y_train_pred), end = ' ')print('测试集:', '%.4f'%recall_score(y_test, y_test_pred))# f1-scoreprint('[f1-score]', end = ' ')print('训练集:', '%.4f'%f1_score(y_train, y_train_pred), end = ' ')print('测试集:', '%.4f'%f1_score(y_test, y_test_pred))# auc取值:用roc_auc_score或aucprint('[auc值]', end = ' ')print('训练集:', '%.4f'%roc_auc_score(y_train, y_train_proba), end = ' ')print('测试集:', '%.4f'%roc_auc_score(y_test, y_test_proba))# roc曲线fpr_train, tpr_train, thresholds_train = roc_curve(y_train, y_train_proba, pos_label = 1)fpr_test, tpr_test, thresholds_test = roc_curve(y_test, y_test_proba, pos_label = 1)label = ["Train - AUC:{:.4f}".format(auc(fpr_train, tpr_train)), "Test - AUC:{:.4f}".format(auc(fpr_test, tpr_test))]plt.plot(fpr_train,tpr_train)plt.plot(fpr_test,tpr_test)plt.plot([0, 1], [0, 1], 'd--')plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.legend(label, loc = 4)plt.title("ROC curve")
# 逻辑回归
model_metrics(lr, X_train, X_test, y_train, y_test)
# 线性SVM
model_metrics(svm_linear, X_train, X_test, y_train, y_test)
# 多项式SVM
model_metrics(svm_poly, X_train, X_test, y_train, y_test)
# 高斯核SVM
model_metrics(svm_rbf, X_train, X_test, y_train, y_test)
# sigmoid-SVM
model_metrics(svm_sigmoid, X_train, X_test, y_train, y_test)
# 决策树
model_metrics(dt, X_train, X_test, y_train, y_test)
# XGBoost
model_metrics(xgb, X_train, X_test, y_train, y_test)
# lightGBM
model_metrics(lgb, X_train, X_test, y_train, y_test)
7. 最终结果
模型 | 准确率 | 精准率 | 召回率 | F1-score | AUC值 | ROC曲线 |
---|---|---|---|---|---|---|
逻辑回归 | 训练集:0.7995 测试集: 0.8024 | 训练集: 0.7094 测试集: 0.7052 | 训练集: 0.3488 测试集: 0.3456 | 训练集: 0.4677 测试集: 0.4639 | 训练集: 0.8054 测试集: 0.8050 | |
SVM_linear | 训练集: 0.7908 测试集: 0.7947 | 训练集: 0.7647 测试集: 0.7885 | 训练集: 0.2476 测试集: 0.2323 | 训练集: 0.3741 测试集: 0.3589 | 训练集: 0.8042 测试集: 0.8092 | |
SVM_poly | 训练集: 0.8284 测试集: 0.7554 | 训练集: 0.9786 测试集: 0.5208 | 训练集: 0.3274 测试集: 0.1416 | 训练集: 0.4906 测试集: 0.2227 | 训练集: 0.9391 测试集: 0.7117 | |
SVM_rbf | 训练集: 0.8266 测试集: 0.7975 | 训练集: 0.9046 测试集: 0.7963 | 训练集: 0.3500 测试集: 0.2436 | 训练集: 0.5047 测试集: 0.3731 | 训练集: 0.9170 测试集: 0.7680 | |
SVM_sigmoid | 训练集: 0.7205 测试集: 0.7379 | 训练集: 0.4373 测试集: 0.4662 | 训练集: 0.3738 测试集: 0.4108 | 训练集: 0.4031 测试集: 0.4367 | 训练集: 0.6600 测试集: 0.6784 | |
决策树 | 训练集: 0.7920 测试集: 0.7737 | 训练集: 0.6581 测试集: 0.5862 | 训练集: 0.3667 测试集: 0.2890 | 训练集: 0.4709 测试集: 0.3871 | 训练集: 0.7727 测试集: 0.7468 | |
XGBoost | 训练集: 0.8521 测试集: 0.8045 | 训练集: 0.8718 测试集: 0.7079 | 训练集: 0.4857 测试集: 0.3569 | 训练集: 0.6239 测试集: 0.4746 | 训练集: 0.9166 测试集: 0.7972 | |
LightGBM | 训练集: 0.9949 测试集: 0.7961 | 训练集: 1.0000 测试集: 0.6550 | 训练集: 0.9798 测试集: 0.3711 | 训练集: 0.9898 测试集: 0.4738 | 训练集: 1.0000 测试集: 0.7869 |
遇到的问题
1)pd.read_csv读取文件时,utf-8的编码问题。
解决方法:reference1
2)装完xgboost后在notebook总是显示如下错误:ImportError: cannot import name ‘MultiIndex’。
解决方法:更新scipy和xgboost后还是没有解决;后来重启了一下jupyter就好了…
3)画ROC曲线时, tpr取值为nan
解决方法:注意roc_curve里的几个参数:第二项为真实y与预测的scores而不是y_pred,而pos_label=1指在y中标签为1的是标准阳性标签,其余值是阴性。
4)SVM用函数clf.predict_proba()时候报错如下:
AttributeError: predict_proba is not available when probability=False
解决方法:clf = SVC()默认情况probability=False,添加probability=True
Reference
1)python问题–UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xff in position 0: invalid start byte
2)ML实操 - 贷款用户逾期情况分析
More
代码参见Github: https://github.com/libihan/Exercise-ML
ML - 贷款用户逾期情况分析1 - Baseline相关推荐
- ML - 贷款用户逾期情况分析5 - 特征工程2(特征选择)
文章目录 特征选择 (判定贷款用户是否逾期) 1. IV值进行特征选择 1.1 基本介绍 1.2 计算公式 2. 随机森林进行特征选择 2.1 平均不纯度减少 mean decrease impuri ...
- ML - 贷款用户逾期情况分析2 - 特征工程1(数据预处理)
文章目录 数据预处理 (判定贷款用户是否逾期) 1. 删除无用特征 2. 数据格式化 - X_date 3. 数据处理 - 类别特征 X_cate 4. 数据处理 - 其他非数值型特征 5. 数据处理 ...
- ML - 贷款用户逾期情况分析6 - Final
文章目录 思路 1. 导入数据 2. 性能评估函数 3. 模型优化 3.1 LR模型 3.2 SVM模型 3.3 决策树模型 3.4 XGBoost模型 3.5 LightGBM模型 3.6 模型融合 ...
- ML实操 - 贷款用户逾期情况分析
目录 任务描述 实现过程 基本思路 1. 数据集预览 2. 数据预处理 3. 特征工程 4. 模型选择 4.1 数据及划分及数据归一化 4.2 LR 4.3 SVM 4.4 决策树 4.5 Xgboo ...
- 【机器学习-贷款用户逾期情况分析2】3.stacking模型融合
3.0 任务说明 用你目前评分最高的模型作为基准模型,和其他模型进行stacking融合,得到最终模型及评分果. 3.1 stacking模型融合 Stacking(有时候也称之为stacked ge ...
- 贷款用户逾期问题Task4
贷款用户逾期问题Task4 任务4 - 模型评估(2天) 评估 任务4 - 模型评估(2天) 任务4:记录5个模型(逻辑回归.SVM.决策树.随机森林.XGBoost)关于accuracy.preci ...
- 贷款用户逾期问题Task3
贷款用户逾期问题Task3 任务3 - 建模(2天) 逻辑回归LR 支持向量机SVM 决策树 任务3 - 建模(2天) 用逻辑回归.svm和决策树:随机森林和XGBoost进行模型构建,评分方式任意, ...
- [转载] 机器学习 scikit-learn1 预测贷款用户是否会逾期
参考链接: 使用Scikit-Learn在Python中减少维度 scikit-learn 一周算法实践集训 简介代码说明代码目录结构代码使用方法 个人总结参考文档任务1. 逻辑回归模型实践[2018 ...
- 机器学习 scikit-learn1 预测贷款用户是否会逾期
scikit-learn 一周算法实践集训 简介 代码说明 代码目录结构 代码使用方法 个人总结 参考文档 任务1. 逻辑回归模型实践[2018.11.14 - 2018.11.15] 任务2.支持向 ...
- 预测贷款用户是否逾期:数据清洗与预处理
任务一 做一个项目的第一步是数据清洗与预处理,也是对数据进行探索和分析.这份数据集是金融数据,我们的目标是要预测贷款用户是否会逾期,其中status表示标签,1表示逾期,0表示未逾期. 1.查看数据 ...
最新文章
- python数据分析第七章实训3_《利用python进行数据分析》读书笔记--第七章 数据规整化:清理、转换、合并、重塑(二)...
- 初识 ElasticSearch,一个上天下地的搜索引擎 No.158
- 模型加速--CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization
- 雷军哽咽:我愿押上人生全部声誉,为小米汽车而战!
- HPE第四季度财报数据喜忧参半
- Word2Vec ——gensim实战教程
- Java程序员从笨鸟到菜鸟之(十一)多线程讲解
- 写程序时,经常要重载OnPaint,定位很麻烦,现在有个简单办法
- java中容易混淆的方法_java中容易混淆的概念
- VS2010程序打包操作(超详细的)转
- Shell脚本之一 Shell脚本简介
- 文本或代码中 \n 和 \r 的区别
- lamp自动部署工具_Linux一键配置工具ezhttp介绍
- 【Python】变量那些事
- 诺基亚继续打情怀牌:怀旧小屏手机入网!
- USB移动硬盘使用中的怪现象
- iOS开发之touchesCancelled
- python可用编程模块规模多大_哪些Python模块可用于编程竞赛?
- id门禁卡复制到手机_使用iPhone解锁开门?手机复制门禁卡教程分享
- 什么是梯度,梯度有什么用