课程内容提交
This commit is contained in:
MYP
494
FinancialRiskControl/Task1 赛题理解.md
Normal file
494
FinancialRiskControl/Task1 赛题理解.md
Normal file
@@ -0,0 +1,494 @@
|
||||
## Task1 赛题理解
|
||||
|
||||
Tip：本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事第四场 —— 零基础入门金融风控之贷款违约预测挑战赛。
|
||||
|
||||
赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。
|
||||
|
||||
地址：
|
||||
|
||||
### 1.1 学习目标
|
||||
理解赛题数据和目标，清楚评分体系。
|
||||
|
||||
完成相应报名，下载数据和结果提交打卡（可提交示例结果），熟悉比赛流程
|
||||
|
||||
|
||||
### 1.2 了解赛题
|
||||
- 赛题概况
|
||||
- 数据概况
|
||||
- 预测指标
|
||||
- 分析赛题
|
||||
|
||||
### 1.2.1 赛题概况
|
||||
|
||||
##### 比赛要求参赛选手根据给定的数据集，建立模型，预测金融风险。
|
||||
赛题以预测金融风险为任务，数据集报名后可见并可下载，该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。为了保证比赛的公平性，将会从中抽取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，同时会对employmentTitle、purpose、postCode和title等信息进行脱敏。
|
||||
|
||||
|
||||
通过这道赛题来引导大家走进金融风控数据竞赛的世界，主要针对于于竞赛新人进行自我练习、自我提高。
|
||||
|
||||
### 1.2.2 数据概况
|
||||
|
||||
一般而言，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。 Tip:匿名特征，就是未告知数据列所属的性质的特征列。
|
||||
|
||||
train.csv
|
||||
|
||||
- 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
|
||||
|
||||
|
||||
### 1.2.3 预测指标
|
||||
|
||||
竞赛采用AUC作为评价指标。AUC（Area Under Curve）被定义为 ROC曲线 下与坐标轴围成的面积。
|
||||
|
||||
##### 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 )
|
||||
|
||||
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。
|
||||
$$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$$
|
||||
|
||||
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。
|
||||
$$Precision = \frac{TP}{TP + FP}$$
|
||||
|
||||
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。
|
||||
$$Recall = \frac{TP}{TP + FN}$$
|
||||
|
||||
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。
|
||||
$$F1-Score = \frac{2}{\frac{1}{Precision} + \frac{1}{Recall}}$$
|
||||
|
||||
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：在所有实际为正例的样本中，被正确地判断为正例之比率。
|
||||
$$TPR = \frac{TP}{TP + FN}$$
|
||||
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。
|
||||
$$FPR = \frac{FP}{FP + TN}$$
|
||||
|
||||
|
||||
|
||||
8、AUC(Area Under Curve)
|
||||
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。
|
||||
|
||||
|
||||
##### 对于金融风控预测类常见的评估指标如下:
|
||||
|
||||
1、KS(Kolmogorov-Smirnov)
|
||||
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值<0.2,一般认为模型没有区分能力。
|
||||
- KS值[0.2,0.3],模型具有一定区分能力，勉强可以接受
|
||||
- KS值[0.3,0.5],模型具有较强的区分能力。
|
||||
- KS值大于0.75，往往表示模型有异常。
|
||||
2、ROC
|
||||
3、AUC
|
||||
|
||||
### 1.2.4. 赛题流程
|
||||
|
||||
|
||||
|
||||
### 1.3 代码示例
|
||||
|
||||
本部分为对于数据读取和指标评价的示例。
|
||||
|
||||
### 1.3.1 数据读取pandas
|
||||
|
||||
|
||||
```python
|
||||
import pandas as pd
|
||||
```
|
||||
|
||||
|
||||
```python
|
||||
train = pd.read_csv('train.csv')
|
||||
testA = pd.read_csv('testA.csv')
|
||||
```
|
||||
|
||||
|
||||
```python
|
||||
print('Train data shape:',train.shape)
|
||||
print('TestA data shape:',testA.shape)
|
||||
```
|
||||
|
||||
Train data shape: (800000, 47)
|
||||
TestA data shape: (200000, 48)
|
||||
|
||||
|
||||
|
||||
```python
|
||||
train.head()
|
||||
```
|
||||
|
||||
|
||||
|
||||
|
||||
<div>
|
||||
<style scoped>
|
||||
.dataframe tbody tr th:only-of-type {
|
||||
vertical-align: middle;
|
||||
}
|
||||
|
||||
.dataframe tbody tr th {
|
||||
vertical-align: top;
|
||||
}
|
||||
|
||||
.dataframe thead th {
|
||||
text-align: right;
|
||||
}
|
||||
</style>
|
||||
<table border="1" class="dataframe">
|
||||
<thead>
|
||||
<tr style="text-align: right;">
|
||||
<th></th>
|
||||
<th>id</th>
|
||||
<th>loanAmnt</th>
|
||||
<th>term</th>
|
||||
<th>interestRate</th>
|
||||
<th>installment</th>
|
||||
<th>grade</th>
|
||||
<th>subGrade</th>
|
||||
<th>employmentTitle</th>
|
||||
<th>employmentLength</th>
|
||||
<th>homeOwnership</th>
|
||||
<th>...</th>
|
||||
<th>n5</th>
|
||||
<th>n6</th>
|
||||
<th>n7</th>
|
||||
<th>n8</th>
|
||||
<th>n9</th>
|
||||
<th>n10</th>
|
||||
<th>n11</th>
|
||||
<th>n12</th>
|
||||
<th>n13</th>
|
||||
<th>n14</th>
|
||||
</tr>
|
||||
</thead>
|
||||
<tbody>
|
||||
<tr>
|
||||
<th>0</th>
|
||||
<td>0</td>
|
||||
<td>35000.0</td>
|
||||
<td>5</td>
|
||||
<td>19.52</td>
|
||||
<td>917.97</td>
|
||||
<td>E</td>
|
||||
<td>E2</td>
|
||||
<td>320.0</td>
|
||||
<td>2 years</td>
|
||||
<td>2</td>
|
||||
<td>...</td>
|
||||
<td>9.0</td>
|
||||
<td>8.0</td>
|
||||
<td>4.0</td>
|
||||
<td>12.0</td>
|
||||
<td>2.0</td>
|
||||
<td>7.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>2.0</td>
|
||||
</tr>
|
||||
<tr>
|
||||
<th>1</th>
|
||||
<td>1</td>
|
||||
<td>18000.0</td>
|
||||
<td>5</td>
|
||||
<td>18.49</td>
|
||||
<td>461.90</td>
|
||||
<td>D</td>
|
||||
<td>D2</td>
|
||||
<td>219843.0</td>
|
||||
<td>5 years</td>
|
||||
<td>0</td>
|
||||
<td>...</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>13.0</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
<td>NaN</td>
|
||||
</tr>
|
||||
<tr>
|
||||
<th>2</th>
|
||||
<td>2</td>
|
||||
<td>12000.0</td>
|
||||
<td>5</td>
|
||||
<td>16.99</td>
|
||||
<td>298.17</td>
|
||||
<td>D</td>
|
||||
<td>D3</td>
|
||||
<td>31698.0</td>
|
||||
<td>8 years</td>
|
||||
<td>0</td>
|
||||
<td>...</td>
|
||||
<td>0.0</td>
|
||||
<td>21.0</td>
|
||||
<td>4.0</td>
|
||||
<td>5.0</td>
|
||||
<td>3.0</td>
|
||||
<td>11.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>4.0</td>
|
||||
</tr>
|
||||
<tr>
|
||||
<th>3</th>
|
||||
<td>3</td>
|
||||
<td>11000.0</td>
|
||||
<td>3</td>
|
||||
<td>7.26</td>
|
||||
<td>340.96</td>
|
||||
<td>A</td>
|
||||
<td>A4</td>
|
||||
<td>46854.0</td>
|
||||
<td>10+ years</td>
|
||||
<td>1</td>
|
||||
<td>...</td>
|
||||
<td>16.0</td>
|
||||
<td>4.0</td>
|
||||
<td>7.0</td>
|
||||
<td>21.0</td>
|
||||
<td>6.0</td>
|
||||
<td>9.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>1.0</td>
|
||||
</tr>
|
||||
<tr>
|
||||
<th>4</th>
|
||||
<td>4</td>
|
||||
<td>3000.0</td>
|
||||
<td>3</td>
|
||||
<td>12.99</td>
|
||||
<td>101.07</td>
|
||||
<td>C</td>
|
||||
<td>C2</td>
|
||||
<td>54.0</td>
|
||||
<td>NaN</td>
|
||||
<td>1</td>
|
||||
<td>...</td>
|
||||
<td>4.0</td>
|
||||
<td>9.0</td>
|
||||
<td>10.0</td>
|
||||
<td>15.0</td>
|
||||
<td>7.0</td>
|
||||
<td>12.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>0.0</td>
|
||||
<td>4.0</td>
|
||||
</tr>
|
||||
</tbody>
|
||||
</table>
|
||||
<p>5 rows × 47 columns</p>
|
||||
</div>
|
||||
|
||||
|
||||
|
||||
### 1.3.2 分类指标评价计算示例
|
||||
|
||||
|
||||
```python
|
||||
## 混淆矩阵
|
||||
import numpy as np
|
||||
from sklearn.metrics import confusion_matrix
|
||||
y_pred = [0, 1, 0, 1]
|
||||
y_true = [0, 1, 1, 0]
|
||||
print('混淆矩阵:\n',confusion_matrix(y_true, y_pred))
|
||||
```
|
||||
|
||||
混淆矩阵:
|
||||
[[1 1]
|
||||
[1 1]]
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## accuracy
|
||||
from sklearn.metrics import accuracy_score
|
||||
y_pred = [0, 1, 0, 1]
|
||||
y_true = [0, 1, 1, 0]
|
||||
print('ACC:',accuracy_score(y_true, y_pred))
|
||||
```
|
||||
|
||||
ACC: 0.5
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## Precision,Recall,F1-score
|
||||
from sklearn import metrics
|
||||
y_pred = [0, 1, 0, 1]
|
||||
y_true = [0, 1, 1, 0]
|
||||
print('Precision',metrics.precision_score(y_true, y_pred))
|
||||
print('Recall',metrics.recall_score(y_true, y_pred))
|
||||
print('F1-score:',metrics.f1_score(y_true, y_pred))
|
||||
```
|
||||
|
||||
Precision 0.5
|
||||
Recall 0.5
|
||||
F1-score: 0.5
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## P-R曲线
|
||||
import matplotlib.pyplot as plt
|
||||
from sklearn.metrics import precision_recall_curve
|
||||
y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
|
||||
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
|
||||
precision, recall, thresholds = precision_recall_curve(y_true, y_pred)
|
||||
plt.plot(precision, recall)
|
||||
```
|
||||
|
||||
|
||||
|
||||
|
||||
[<matplotlib.lines.Line2D at 0x2170d0d6108>]
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## ROC曲线
|
||||
from sklearn.metrics import roc_curve
|
||||
y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
|
||||
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
|
||||
FPR,TPR,thresholds=roc_curve(y_true, y_pred)
|
||||
plt.title('ROC')
|
||||
plt.plot(FPR, TPR,'b')
|
||||
plt.plot([0,1],[0,1],'r--')
|
||||
plt.ylabel('TPR')
|
||||
plt.xlabel('FPR')
|
||||
```
|
||||
|
||||
|
||||
|
||||
|
||||
Text(0.5, 0, 'FPR')
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## AUC
|
||||
import numpy as np
|
||||
from sklearn.metrics import roc_auc_score
|
||||
y_true = np.array([0, 0, 1, 1])
|
||||
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
|
||||
print('AUC socre:',roc_auc_score(y_true, y_scores))
|
||||
```
|
||||
|
||||
AUC socre: 0.75
|
||||
|
||||
|
||||
|
||||
```python
|
||||
## KS值 在实际操作时往往使用ROC曲线配合求出KS值
|
||||
from sklearn.metrics import roc_curve
|
||||
y_pred = [0, 1, 1, 0, 1, 1, 0, 1, 1, 1]
|
||||
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 1, 1]
|
||||
FPR,TPR,thresholds=roc_curve(y_true, y_pred)
|
||||
KS=abs(FPR-TPR).max()
|
||||
print('KS值：',KS)
|
||||
```
|
||||
|
||||
KS值： 0.5238095238095237
|
||||
|
||||
|
||||
### 1.4 经验总结
|
||||
赛题理解是开始比赛的第一步，赛题的理解有助于对竞赛全局的把握。通过赛题理解有助于对赛题的业务逻辑把握，对于后期的特征工程构建和模型选择都尤为重要。
|
||||
- 在开始比赛之前要对赛题进行充分的了解。
|
||||
- 比赛什么时候开始，什么时候结束，什么时候换B榜数据。
|
||||
- 和该比赛有没有类似的比赛可以参考借鉴。
|
||||
- 线上提交结果的次数往往是有限的，提前了解每日可以提交的次数。
|
||||
- 比赛使用的是什么评价指标，可以选择相同的评价指标作为线下验证的方式。
|
||||
|
||||
|
||||
|
||||
### 1.5 拓展知识——评分卡
|
||||
评分卡是一张拥有分数刻度会让相应阈值的表。信用评分卡是用于用户信用的一张刻度表。以下代码是一个非标准评分卡的代码流程，用于刻画用户的信用评分。评分卡是金融风控中常用的一种对于用户信用进行刻画的手段哦！
|
||||
|
||||
|
||||
```python
|
||||
#评分卡 不是标准评分卡
|
||||
def Score(prob,P0=600,PDO=20,badrate=None,goodrate=None):
|
||||
P0 = P0
|
||||
PDO = PDO
|
||||
theta0 = badrate/goodrate
|
||||
B = PDO/np.log(2)
|
||||
A = P0 + B*np.log(2*theta0)
|
||||
score = A-B*np.log(prob/(1-prob))
|
||||
return score
|
||||
```
|
||||
|
||||
END.
|
||||
【 杨冰楠：Datawhale成员，金融风控爱好者。】
|
||||
|
||||
|
||||
关于Datawhale：
|
||||
|
||||
Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。
|
||||
|
||||
本次数据挖掘路径学习，专题知识将在天池分享，详情可关注Datawhale：
|
||||
|
||||
1770
FinancialRiskControl/Task2 数据分析.md
Normal file
1770
FinancialRiskControl/Task2 数据分析.md
Normal file
File diff suppressed because it is too large
Load Diff
Reference in New Issue
Block a user