手把手教你：个人信贷违约预测模型

系列文章

• 第八章、手把手教你：基于LSTM的股票预测系统
• 第七章、手把手教你：基于深度残差网络（ResNet）的水果分类识别系统
• 第六章、手把手教你：人脸识别的视频打码

---

---

一、项目简介

本文主要介绍如何使用python搭建：基于三个经典机器学习算法的个贷违约预测模型。

项目只是用个贷违约预测作为抛砖引玉，其中包含了使用模型进行预测的相关代码。主要功能如下：

• 数据预处理。
• 模型构建及训练，三大模型：朴素贝叶斯、随机森林、逻辑回归。
• 预测违约情况并进行模型评估。

如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。

博主也参考过机器学习模型构建的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个预测系统即可。

本文只会告诉你如何快速搭建一个基于个贷违约预测模型并运行，原理的东西可以参考其他博主。

也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。

如果您有以上想法，那就找对地方了！

---

不多废话，直接进入正题！

二、数据集介绍

• 我们将使用个人对个人的借贷网站——借贷俱乐部上面的借贷数据。借贷俱乐部提供关于成功的贷款（被借贷俱乐部和联合贷款人通过的贷款）和失败的贷款（被借贷俱乐部和联合贷款人拒绝的贷款，款项并没有转手）的详尽历史数据。
  

---

三、环境安装

本项目开发IDE使用的是：jupyter notebook，大家可以直接csdn搜索安装指南非常多，这里就不再赘述。

因为本项目基于TensorFlow因此需要以下环境：

• pandas
• scikit-learn
• numpy
• matplotlib

四、代码介绍

• 环境安装好后就可以开始愉快的执行代码了。由于代码众多，博客中就不放入最终代码了，有需要的童鞋可以在【代码下载地址】下载所有代码。

1.数据预处理

• 首先我们将读入的数据做一些特征选择和数据清洗。
• 字段信息：
  • loan_amnt：贷款
  • term：账期
  • int_rate：国际汇率
  • installment：分期付款
  • loan_status：贷款状况
  • 等等

load_data_clean=load_data[['loan_amnt','funded_amnt','term','int_rate',
                           'installment','emp_length','dti',
                           'annual_inc','total_pymnt',
                          'total_pymnt_inv',
                          'total_rec_int','loan_status']]
del load_data
#注意输入的变量必须是量化的值，不能是字符串
#数据清洗主要做数据类型的转换，以及处理缺失数据
#采用针对矩阵的元素的函数实现
import re   #正则表达式的包
def extract_number(string):
    num=re.findall('\d+',str(string))  
    if len(num)>0:
        return int(num[0])
    else:
        return 0;
load_data_clean.emp_length=load_data_clean.emp_length.apply(extract_number)
load_data_clean.head()

• 处理完后数据情况：
  

2.数据可视化探索

2.1 各特征可视化

• 可以看到annual_inc特征波动比较大。

2.2 贷款金额的情况

• 可以看到大部分人的贷款金额在：5k-15k这个区间范围内。

2.3 贷款金额与分期付款关系

• 这里将：loan_amnt：贷款金额，installment：分期付款金额进行关联分析。
• 可以看到贷款与分期付款 ，相关性较强，我们后续可以考虑将这2个特征合成一个，以提高模型的准确性和效率。

2.4 是否还完贷款

• 可以看到数据中是否足额按时还完贷款所占的比率。

3.构建模型并训练

• 完成上述数据处理后我们构建三个不同的模型进行训练并预测。

3.1 朴素贝叶斯

• 构建模型并训练：

	gnb_model=GaussianNB()
	gnb_model.fit(X_train,Y_train)
 	# 训练集
	#模型预测可以给出概率的结果
	train_probs=gnb_model.predict_proba(X_train)
	#返回概率最高的结果
	train_predict=gnb_model.predict(X_train)
	
	# 测试集
	#模型预测可以给出概率的结果
	test_probs=gnb_model.predict_proba(X_test)
	#返回概率最高的结果
	test_predict=gnb_model.predict(X_test)

• 模型预测得分：

• 这里解释一下，模型得分的情况。可以看到训练集accuracy_score（准确率）得分：0.88。测试集accuracy_score（准确率）得分：0.87。
• 下方Classification report，是2种不同类别的混淆矩阵，分别输出了每个类别的精确率、召回率和F1-score的得分。
• ROC曲线如下：
  

3.2 随机森林

• 构建模型并训练：

from sklearn import datasets,svm,metrics,model_selection,preprocessing
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
# 实例化随机森林
rfc=RandomForestClassifier()
# 调参参数设置
rf_param_grid = {'n_estimators':[100,200,500], 'min_samples_split':[2,3,5,10], 
                 'min_samples_leaf':[4,6,10], 'max_depth':[10,50]}
rf_grid = model_selection.GridSearchCV(rfc, rf_param_grid, cv=5, n_jobs=12, verbose=1, scoring='accuracy')
# 训练模型
rf_grid.fit(X_train, Y_train)

• 模型预测得分：
  
• 同理，随机森林的训练集准确率得分：0.987。测试集准确率得分：0.976
• 上述2个模型的ROC曲线：

3.3 逻辑回归

• 逻辑回归其实是一个分类算法，因此我们也可以用在预测用户是否可能违约上。
• 模型构建及训练：

from sklearn.linear_model import LogisticRegression
#构建模型参数
LGR = LogisticRegression(penalty='l2', multi_class='multinomial',solver="newton-cg",n_jobs=12)
# 训练模型
LGR.fit(X_train, Y_train)

• 模型预测得分：
  

4.模型对比

• 因为我们知道ROC曲线所占的面积越大，说明模型的效果会越好，根据上图，红色线条的模型效果是最好的，因此：逻辑回归的模型在这个数据集中应用的效果是最佳的。

---

五、代码下载地址

由于项目代码量和数据集较大，感兴趣的同学可以直接下载代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。

代码下载：

• 【代码分享】手把手教你：个人信贷违约预测模型