广工大数协 阿里云天池 金融风控训练营 - Task1 赛题理解
本学习笔记为阿里云天池龙珠计划Docker训练营的学习内容，学习链接为：https://tianchi.aliyun.com/specials/activity/promotion/aicampdocker
一、学习知识点概要
- 赛题概况
- 数据概况
- 预测指标
- 分析赛题
二、学习内容
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。将从中抽取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。
2.2 数据概况
说明数据中列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。
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有：
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。
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。
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。
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。
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。如下图。
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。如下图。
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。
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。
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有：
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。公式如下：
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
2.4 赛题流程
三、学习问题与解答
1.混淆矩阵的输出结果代表什么意思？
| 0(pred) | 1(pred) | |
| 0(true) | 1对 | 1对 |
| 1(true) | 1对 | 1对 |
2.为什么第一次在执行P-R曲线代码时没有显示图像，下载数据集后就可以显示了？
四、学习思考与总结
1.代码的学习需要一定的数学基础，并不只是死记硬背，首先需要理清其中的逻辑关系，后面模型构建以及代码的编写才能更加顺利。
2.python相对其它程序语言比较简单易学，同时包含了很多图表的类库，有利于对于数据进行可视化处理，非常适合用于数据分析