贷款违约预测-零基础入门金融风控之贷款违约预测挑战赛

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。

项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl

比赛地址：https://tianchi.aliyun.com/competition/entrance/531830/introduction

我们把官方提供的数据下载到本地：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xzTiX45C-1600104718323)(data_download.png)]

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。

导入部分数据，先大概查看数据结构组成

import numpy as np
import pandas as pd
data1 = pd.read_csv("testA.csv")

data1.head()

	id	loanAmnt	term	interestRate	installment	grade	subGrade	employmentTitle	employmentLength	homeOwnership	...	n5	n6	n7	n8	n9	n10	n11	n12	n13	n14
0	800000	14000.0	3	10.99	458.28	B	B3	7027.0	10+ years	0	...	8.0	4.0	15.0	19.0	6.0	17.0	0.0	0.0	1.0	3.0
1	800001	20000.0	5	14.65	472.14	C	C5	60426.0	10+ years	0	...	1.0	3.0	3.0	9.0	3.0	5.0	0.0	0.0	2.0	2.0
2	800002	12000.0	3	19.99	445.91	D	D4	23547.0	2 years	1	...	1.0	36.0	5.0	6.0	4.0	12.0	0.0	0.0	0.0	7.0
3	800003	17500.0	5	14.31	410.02	C	C4	636.0	4 years	0	...	7.0	2.0	8.0	14.0	2.0	10.0	0.0	0.0	0.0	3.0
4	800004	35000.0	3	17.09	1249.42	D	D1	368446.0	< 1 year	1	...	11.0	3.0	16.0	18.0	11.0	19.0	0.0	0.0	0.0	1.0

5 rows × 48 columns

len(data1)

200000

data1.iloc[0]

id                        800000
loanAmnt                   14000
term                           3
interestRate               10.99
installment               458.28
grade                          B
subGrade                      B3
employmentTitle             7027
employmentLength       10+ years
homeOwnership                  0
annualIncome               80000
verificationStatus             0
issueDate             2014-07-01
purpose                        0
postCode                     163
regionCode                    21
dti                        10.56
delinquency_2years             1
ficoRangeLow                 715
ficoRangeHigh                719
openAcc                       17
pubRec                         0
pubRecBankruptcies             0
revolBal                    9846
revolUtil                   30.7
totalAcc                      29
initialListStatus              0
applicationType                0
earliesCreditLine       Nov-1974
title                          0
policyCode                     1
n0                             1
n1                             4
n2                             6
n2.1                           6
n2.2                           6
n2.3                           6
n4                             6
n5                             8
n6                             4
n7                            15
n8                            19
n9                             6
n10                           17
n11                            0
n12                            0
n13                            1
n14                            3
Name: 0, dtype: object

len(data1.iloc[0])

48

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。

colunm name	represent
-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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9JqP2E3c-1600104718326)(p-r.png)]

7. 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。
  $$FPR=\frac{FP}{FP+TN}$$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-axAsSO9M-1600104718327)(roc.png)]

8. ROC (Receiver Operating Characteristic) 和 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) KS统计量由两位苏联数学家A.N. Kolmogorov和N.V. Smirnov提出。在风控中，KS常用于评估模型区分度。区分度越大，说明模型的风险排序能力（ranking ability）越强。 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
• KS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（%）	好坏区分能力
20以下	不建议采用
20-40	较好
41-50	良好
51-60	很强
61-75	非常强
75以上	过于高，疑似存在问题

2.ROC

3.AUC

1.2.4 赛题流程

以下是赛题流程图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PI9LjmEM-1600104718329)(process.png)]

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

import pandas as pd

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

print('Train data shape:',train.shape)
print('TestA data shape:',testA.shape)

train.head()

Train data shape: (800000, 47)
TestA data shape: (200000, 48)

	id	loanAmnt	term	interestRate	installment	grade	subGrade	employmentTitle	employmentLength	homeOwnership	...	n5	n6	n7	n8	n9	n10	n11	n12	n13	n14
0	0	35000.0	5	19.52	917.97	E	E2	320.0	2 years	2	...	9.0	8.0	4.0	12.0	2.0	7.0	0.0	0.0	0.0	2.0
1	1	18000.0	5	18.49	461.90	D	D2	219843.0	5 years	0	...	NaN	NaN	NaN	NaN	NaN	13.0	NaN	NaN	NaN	NaN
2	2	12000.0	5	16.99	298.17	D	D3	31698.0	8 years	0	...	0.0	21.0	4.0	5.0	3.0	11.0	0.0	0.0	0.0	4.0
3	3	11000.0	3	7.26	340.96	A	A4	46854.0	10+ years	1	...	16.0	4.0	7.0	21.0	6.0	9.0	0.0	0.0	0.0	1.0
4	4	3000.0	3	12.99	101.07	C	C2	54.0	NaN	1	...	4.0	9.0	10.0	15.0	7.0	12.0	0.0	0.0	0.0	4.0

5 rows × 47 columns

1.3.2 分类指标评价计算示例

混淆矩阵

## 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]]

# !pip install sklearn

准确率（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

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

精确率（Precision）召回率（Recall）

# !pip install matplotlib

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)

[]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SkjRUx9F-1600104718330)(output_34_1.png)]

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')

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L4m6UwR0-1600104718331)(output_35_1.png)]

AUC（Area Under Curve）

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

KS(Kolmogorov-Smirnov) KS统计量

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！

#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

• https://tianchi.aliyun.com/notebook-ai/detail?postId=129318
• https://github.com/datawhalechina/team-learning-data-mining/blob/master/FinancialRiskControl/Task1%20%E8%B5%9B%E9%A2%98%E7%90%86%E8%A7%A3.md
• https://zhuanlan.zhihu.com/p/240537673