【李小丫的笔记】DataWhale金融风控预测Task1

1. 获得数据

总数据量超过 120w，包含47列变量信息，其中15列为匿名变量。其中抽取80万条作为训练集，20 万条作为测试集A，20万条作为测试集B。

2. 查看数据

2.1 读取数据

train = pd.read_csv('dataset/train.csv')
testA = pd.read_csv('dataset/testA.csv')

2.2 查看数据

train.head()

head（）函数可以部分数据，默认读取前五行数据。

train.shape()

shape函数是numpy中的函数，它的功能是查看矩阵或者数组的维数。

3. 评价指标

3.1 混淆矩阵

import numpy as np
from sklearn.metrics import confusion_matrix

sklearn库是第三方模块

y_pred = [1, 0, 1, 0]
y_true = [0, 0, 1, 1]
confusion_matrix(y_true, y_pred)

confusion_matrix(y_true,y_pred,*,labels=None,sample_weight=None,normalize=None,
)

`（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 )

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。

3.2 准确率

from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)

0.5

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。
Acc=TP+TNTP+FN+FP+TNAcc=\frac{TP+TN}{TP+FN+FP+TN} Acc=TP+FN+FP+TNTP+TN

3.3 precision recall f1

from sklearn import metrics
metrics.precision_score(y_true, y_pred)

精确率又称查准率，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=\frac{TP}{TP+FP} precision=TP+FPTP

metrics.recall_score(y_true, y_pred)

召回率又称为查全率，正确预测为正样本（TP）占正样本(TP+FN)的百分比。
recall=TPTP+FNrecall=\frac{TP}{TP+FN} recall=TP+FNTP

metrics.f1_score(y_true, y_pred)

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=\frac{2}{\frac{1}{precision}+\frac{1}{recall}} F1−score=precision1+recall12

3.4 P-R曲线

import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve

y_pre = [1, 1, 0, 1, 0, 0, 0, 1, 0, 1]
y_tru = [1, 0, 1, 0, 0, 0, 1, 1, 1, 0]
precision, recall,thresholds = precision_recall_curve(y_tru, y_pre)
plt.plot(precision, recall)

P-R曲线是描述精确率和召回率变化的曲线

3.5 ROC曲线

from sklearn.metrics import roc_curve
FPR, TPR, thersholds = roc_curve(y_tru, y_pre)
plt.title('ROC')
plt.plot(FPR, TPR, 'r')
plt.plot([0,1], [0,1], 'b--')
plt.xlabel('FPR')
plt.ylabel('TPR')

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：在所有实际为正例的样本中，被正确地判断为正例之比率。
TPR=TPTP+FNTPR = \frac{TP}{TP+FN} TPR=TP+FNTP
FPR：在所有实际为负例的样本中，被错误地判断为正例之比率。
FPR=FPFP+TNFPR=\frac{FP}{FP+TN} FPR=FP+TNFP

注：（颜色）

b: blue
g: green
r: red
c: cyan
m: magenta
y: yellow
k: black
w: white

3.6 AUC

import numpy as np
from sklearn.metrics import roc_auc_score
y_True = np.array[1, 0, 0, 1]
y_scores = np.array[0.2, 0.55, 0.4, 0.7]
roc_auc_score(y_True, y_scores)

AUC（Area Under Curve）被定义为 ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于 1。又由于 ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。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。

3.7 KS值

from sklearn.metrics import roc_curve
FPR, TPR, thresholds = roc_curve(y_tru, y_pre)
ks = abs(FPR-TPR).max()
ks

在实际操作时往往使用ROC曲线配合求出KS值。