Datawhale第17期组队学习（零基础入门金融风控）Task01：赛题理解

Tip:参加了Datawhale的第17期学习，内容是与天池联合发起的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。

课题是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。

Task01的任务主要是以对赛题的理解和对赛题数据有一个大体的掌握了解，主要分为下面四个大类来进行。

• 先通过pandas对训练集进行一个观察，看看训练集中各个维度的数据是什么类型的，个数都多少（看看哪些有缺失）

import pandas as pd

df = pd.read_csv("H:/Datawhale/数据挖掘-金融风控/train.csv")
print(df.info())

• 得出下面的结果，我们可以看到object类的值有5个，int类有9个，float有33个。相应的关系大致可以为object-类别数据，int-离散数据，float-连续数据。

• 接下来学习一下预测指标的ROC空间是如何来评判的。、

举例来说，我们对于一个二分问题，可以将问题实例分为正类和负类（positive&negative），对此进行预测的话，可能会出现四种情况。

1. 实例为正预测为正，同为正，预测对了，这个称为真正类TP（True positive）；
2. 同1完全相反的情况，实例为负预测为负，同为负，也预测对了，这个称为真负类TN（True negative）；
3. 实例负预测正，结果相异，预测错了，本来是负的你说他是正的，所以这个称为假正类FP（False positive）；
4. 同3完全相反的情况，实例正预测负，结果相异，预测错了，本来是正的你说他是负的，所以这个称之为假负类FN（false negative）

通过图标可以表示为

		预测
		1（正）	0（负）
实际	1（正）	真正类TP	假负类FN
	0（负）	假正类FP	真负类TN

       上面的说明可以发现，ROC曲线的横坐标和纵坐标其实是没有相关性的，所以不能把ROC曲线当做一个函数曲线来分析，应该把ROC曲线看成无数个点，每个点都代表一个分类器，其横纵坐标表征了这个分类器的性能。为了更好的理解ROC曲线，我们先引入ROC空间，如下图所示。

ROC空间的纵坐标Y为TPR（），表明在正类（positive）数据中，预测结果为正的比例（预测对的）。

横坐标为FPR（），表明在负类（negative）数据中，预测结果为正的比例（预测错的）

其中，A,B,C,C'为四个分类器，其工作结果如下：

 明显可以看出，C‘的性能最好，而B准确率ACC只有0.5，几乎是随机分类。

 

• ROC曲线描述的其实是分类器性能随着分类器阈值的变化而变化的过程。对于ROC曲线，一个重要的特征是它的面积（曲线向下围成的面积大小），面积为0.5为随机分类（图中红色的虚线），识别能力为0，面积越接近于1识别能力越强，面积等于1为完全识别。

以上ROC相关内容引用自知乎-ROC曲线简介 https://zhuanlan.zhihu.com/p/26293316。