逻辑回归实现客户逾期分析

一、【目标】

构建逻辑回归模型进行预测用户是否逾期

二、【任务分析】

首先，由于数据中存在缺失值，因此需要对缺失值数据进行预处理。
其次，对明显与模型无关的特征进行删除
最后，采用逻辑回归模型进行模型训练。

三、【原始数据】

数据：金融数据
任务：我们要做的是预测贷款用户是否会逾期，
标签说明：表格中，status是标签：0表示未逾期，1表示逾期。

四、【数据预处理】

一共4754行，89列（除去首行、首列）

直接删除，对模型影响不大的数据及特征，比如固定的个人信息
列：custid、trade_no、bank_card_no、id_name
行：删除很多项特征缺失的用户信息
缺失特征数据的用户数据：apply_score等到最后一个特征全为缺失项的用户数据
特征转换：特征student_feature列的NA转为0，2转为0（2只有2个）
几个需考虑的因素
城市：境外0，一线1，二线2，三线3，四线4，NA及其他（共4组数据，删除）
现阶段不进行处理而直接删除的列：比如 first_transaction_time，latest_query_time，loans_latest_time

五、【代码实现】

代码部分由yezuolin完成

1、调包、导入数据以及数据替换

# coding=utf-8"""1. 导包"""
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score,r2_score"""2. 读取数据"""
dataset = pd.read_csv('./data/data.csv',encoding='gbk')"""3. 数据处理"""
# 删除固定信息列
dataset = dataset.drop(["custid","trade_no","bank_card_no","id_name","first_transaction_time","latest_query_time","loans_latest_time","source"],axis=1)
# 对于sstudent_feature列，我们进行NAN转成0,2转为0
# 缺失值填充
dataset["student_feature"] = dataset["student_feature"].fillna(0)
# 2替换为0
dataset["student_feature"] = dataset["student_feature"].replace([2],[0])# 针对城市列'reg_preference_for_trad'，进行数据替换
dataset["reg_preference_for_trad"] = dataset["reg_preference_for_trad"].replace("一线城市", "1")
dataset["reg_preference_for_trad"] = dataset["reg_preference_for_trad"].replace("二线城市", "2")
dataset["reg_preference_for_trad"] = dataset["reg_preference_for_trad"].replace("三线城市", "3")
dataset["reg_preference_for_trad"] = dataset["reg_preference_for_trad"].replace("其他城市", "4")
dataset["reg_preference_for_trad"] = dataset["reg_preference_for_trad"].replace("境外", "0")

2、填充缺失值

# 填充其他空值
# 使用均值进行填充
# dataset.fillna(dataset.mean(), inplace=True)
# 使用众数进行填充
dataset = dataset.fillna(0) # 使用 0 替换所有 NaN 的值
col = dataset.columns.tolist()[1:]def missing(df, columns):"""使用众数填充缺失值df[i].mode()[0] 获取众数第一个值"""col = columnsfor i in col:df[i].fillna(df[i].mode()[0], inplace=True)df[i] = df[i].astype('float')missing(dataset, col)# 将object类型转成folat
dataset = dataset.convert_objects(convert_numeric=True)

3、数据划分

X = dataset.drop(["status"],axis=1)
Y = dataset["status"]# 数据按正常的2、8划分
X_train, X_test, y_train, y_test = train_test_split(X, Y,test_size=0.2, random_state=666)
# not enough values to unpack (expected 4, got 2)from sklearn.preprocessing import minmax_scale # minmax_scale归一化，缩放到0-1
X_train = minmax_scale(X_train)
X_test =  minmax_scale(X_test)
# Input contains NaN, infinity or a value too large for dtype('float64').

4、数据归一化

from sklearn.preprocessing import minmax_scale
# 归一化，缩放到0-1
X_train = minmax_scale(X_train)
X_test =  minmax_scale(X_test)

5、模型训练

log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)
y_predict = log_reg.predict(X_test)

6、输出结果

print("predict:",log_reg.score(X_test, y_test))
print("f1_score:",f1_score(y_test, y_predict))
print("r2_score:",r2_score(y_test, y_predict))

最后我们得到的结果如下：

六、【遇到的问题】

1、对特征工程的分析不够深入，在特征选择上还可以更详细更优化
2、在用均值填充NAN时，进行归一化出现了 Input contains NaN, infinity or a value too large for dtype(‘float64’)，在使用众数填充后避免了这个问题。
3、划分训练集和测试集时可以选择不同的比例和次数重复进行几次，这样得到的结果更具有统计意义。

逻辑回归实现客户逾期分析相关推荐

python回归预测例子_案例实战 | 逻辑回归实现客户流失预测（附Python代码与源数据）...
关注一下~,更多商业数据分析案例等你来撩前言利用逻辑回归进行客户流失预警建模中涵盖了许多比较细的知识点,思维导图只展示了极小的一部分,相关知识点链接将穿插在文中.(源数据源代码空降文末获取) 数据 ...
数据挖掘—逻辑回归分类—信用卡欺诈分析
文章目录 1.分析目的: 2.掌握要点: 3.构建逻辑回归分类器 4.模型评估指标 5.精确度和召回率(不平衡数据衡量指标) 6.案例分析: 1.分析目的: 信用卡欺诈的危害性大,如何通过遗忘的交易数 ...
【Python】逻辑回归变量的显著性分析
模型结果的解释 coef:回归系数(Regression coefficient),即模型参数 β0.β1.-的估计值. std err :标准差( Standard deviation),也称标准偏 ...
[深度学习]Python/Theano实现逻辑回归网络的代码分析
2014-07-21 10:28:34 首先PO上主要Python代码(2.7), 这个代码在Deep Learning上可以找到. 1 # allocate symbolic variables f ...
逻辑回归对信用卡欺诈进行分析
文章目录逻辑回归分类器模型评估指标混淆矩阵使用逻辑回归对信用卡欺诈分析进行预测逻辑回归分类器逻辑回归,也叫作 logistic 回归.虽然名字中带有"回归",但它实际 ...
银行定期存款产品目标客户的确定——基于逻辑回归
本篇文章将会介绍用Python分析银行定期存款产品目标客户的确定详细建模细节,业务框架分析以及模型的选择与评估分析参见上一篇文章: 银行定期存款产品目标客户的确定--基于逻辑回归(建模前分析) 1.导 ...
Coursera吴恩达《神经网络与深度学习》课程笔记（2）-- 神经网络基础之逻辑回归...
转至:https://blog.csdn.net/red_stone1/article/details/77851177 上节课我们主要对深度学习(Deep Learning)的概念做了简要的概述.我 ...
逻辑回归实例--乳腺癌肿瘤预测
文章目录 0.前言 1.导入数据 2.数据预处理 3.准备训练测试数据 4. 标准化数据 5.逻辑回归模型 6.性能分析 7.十折交叉验证 0.前言环境:Python3.6.5 编译器:jupyte ...
Coursera吴恩达《神经网络与深度学习》课程笔记（2）-- 神经网络基础之逻辑回归
红色石头的个人网站:redstonewill.com 上节课我们主要对深度学习(Deep Learning)的概念做了简要的概述.我们先从房价预测的例子出发,建立了标准的神经网络(Neural Net ...

逻辑回归实现客户逾期分析

一、【目标】

二、【任务分析】

三、【原始数据】

四、【数据预处理】

五、【代码实现】

六、【遇到的问题】

逻辑回归实现客户逾期分析相关推荐

最新文章

热门文章

逻辑回归实现客户逾期分析

一、【 目标】

二、【 任务分析】

三、【 原始数据】

四、【 数据预处理】

五、【代码实现】

六、【遇到的问题】

逻辑回归实现客户逾期分析相关推荐

最新文章

热门文章

一、【目标】

二、【任务分析】

三、【原始数据】

四、【数据预处理】