信用卡违约客户的预测模型的选择(三）线性回归

最新推荐文章于 2023-03-15 23:57:52 发布
原创 最新推荐文章于 2023-03-15 23:57:52 发布 · 2.8k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了在银行数据挖掘中，针对信用卡违约客户预测，如何选择线性回归模型。内容涉及线性回归在该场景的应用及其优势。

模型选择

在银行业数据挖掘中最常用的数据挖掘算法主要为线性回归，logistic回归和决策树分类，根据本数据集的特征，主要分析线性回归和logistic回归。

线性回归方法

在方法选择上首先我们选择线性回归方法（linear regression model）,基于回归结果进行分类选择。线性回归是最简单的预测模型。在这里我们选用sklearn lib中的库linear_model进行模拟测试。
具体方法如下：
对模型进行训练：
lrg.fit(X_train, y_train)
得到预测值，及模型打分
lrg.predict(X_test)
lrg.score(X_test, y_test)
由于为分类变量，前期得到的分值较低，可以理解。线性模型变量的系数如下表所示。
变量
 
Coefficient
 
 
   
0.
 
  
 
  
 
   
LIMIT_BAL
 
   
-0.04271721
 
  
 
  
 
   
PAY_1
 
   
0.10171922
 
  
 
  
 
  

 


                

        

    



  


        

            

                      
                        最低0.47元/天 解锁文章
                          
                      
            

        


    

      

        

            

              
                
                  jesuswalks
                
              
            

            

                关注
              
            

        

        

          
      

      










                



	

		

			

				
					
大数据分析案例-基于决策树算法构建信用卡违约预测模型

				
			

			

				

					m0_64336780的博客
				

				

					04-12
					
					7476
					
				

			

		

		

			
				
本项目旨在使用机器学习等算法构建信用卡违约预测模型，主要应用在金融相关领域，根据用户以往的行为数据来预测是否会违约，有利于商业银行防范和化解信用卡风险,完善信用卡违约风险管理工作。本次实验通过探索性分析以及使用决策树构建信用卡违约模型，得出以下结论：1.可透支金额主要集中在0~200000之间。2.性别对于可透支金额的影响较小。3.受教育程度和婚姻状况对可透支金额的影响较大。4.决策树模型的准确率为0.88，模型效果还有待提高。

			
		

	



                

            
              



	

		

			

				
					
数据挖掘综合应用： 信用违约预测

				
			

			

				

					大模型与Agent智能体
				

				

					12-05
					
					1126
					
				

			

		

		

			
				
数据挖掘综合应用： 信用违约预测数据准备
基于信贷业务场景中一个月内的抽样数据， 使用当前月的数据预测下一个月客户是否会违约。
数据文件
Cust_No,Target,Nation,Birth_Place,Gender,Age,Marriage_State,Highest Education,House_State,Work_Years,Unit_Kind,Title,Occupation,Duty,Industry,Year_Income,Couple_Year_Income,L12_Month_Pay_

			
		

	



              


  
              

                


	

		

			

				
					
基于R的数据挖掘之信用卡是否违约预测分类

				
			

			

				

					05-26
				

			

		

		

			
				
本文分析了台湾某银行客户的违约支付情况，提出了基于数据挖掘技术的预测客户违约可能性。从风险管理的角度来看，预测的违约概率的准确性可以用来对可信的或不可信的客户进行分类。
本文首先对数据集进行了初步处理，将数据拆分为2000个训练集与1000个测试集。每个客户信息中有23个自变量，根据其各个因素的相关性进行了调整然后使用了5挖掘方法，包括KNN,分类树，随机森林，Logistic回归，神经网络进行建模，比较这5种方法中违约概率的预测准确性。其中神经网络的预测效果最好，预测准确率达到了83.3%；其次，分类树（81.8%）和随机森林（80.1%），然后是Logistic回归（78.3%）。KNN的预测结果最不理想（75.8%）。
关键词： 信用卡违约预测、数据分类、Logistic回归、分类树、KNN、神经网络、随机森林。

			
		

	





	

		

			

				
					
python信用卡违约预测分析_数据挖掘实战（1） ： 信用卡违约率分析

				
			

			

				

					weixin_35410099的博客
				

				

					02-20
					
					1135
					
				

			

		

		

			
				
# -*- coding: utf-8 -*-# 信用卡违约率分析import pandas as pdfrom sklearn.model_selection import learning_curve, train_test_split,GridSearchCVfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeli...

			
		

	



		

			
		



	

		

			

				
					
使用Logistic回归预测贷款违约

				
			

			

				

					weixin_26707803的博客
				

				

					09-04
					
					2897
					
				

			

		

		

			
				
介绍 (Introduction)
Traditionally, loaning has been based on the foundation of trust. Although there were credit reports before 1989, when the FICO Score was created according to myFICO.com, the money ...

			
		

	





	

		

			

				
					
信用卡违约客户的预测模型的选择(四）logistic模型及模型比较

				
			

			

				

					ksh007的博客
				

				

					02-28
					
					8166
					
				

			

		

		

			
				
logistic模型为改进测试权重的结果，首先设置weights权重为1，然后基于其进行向量梯度递减，进行梯度递减的计算量较大，为了减少计算量可进行随机梯度递减计算。梯度递减算法自适应减小预测结果与实际结果之间的差值。调整参数alpha = 4/(1.0+j+i)+0.0001实参数旨在避免随着调优的进行alpha趋近于零。I,j随着迭代不断增加，alpha逐渐减小，降低参数调整的幅度。在这里我们...

			
		

	





	

		

			

				
					
matlab实现逻辑回归梯度下降计算信用卡违约

				
			

			

				

					12-01
				

			

		

		

			
				
在信用卡违约预测中，它可以通过构建一个非线性函数（Sigmoid函数）将连续的预测值映射到0到1之间，表示违约的概率。模型的输出是输入特征的线性组合，通过Sigmoid函数转换后，可以得到一个介于0和1之间的概率估计。...

			
		

	





	

		

			

				
					
基于R语言的信用卡违约预测模型比较研究

				
			

			

				

					
				

			

		

		

			
				
综合来看，本研究不仅验证了多种数据挖掘技术在信用卡违约预测中的实际效果，还揭示了不同模型之间的性能差异及其背后的技术机理。从风险管理角度而言，高准确率的预测模型有助于银行实施差异化授信策略，例如对高...

			
		

	





	

		

			

				
					
信用评估与违约预测的模型性能调优—决策树集成学习应用

				
			

			

				

					weixin_45545159的博客
				

				

					05-17
					
					1044
					
				

			

		

		

			
				
在信贷风控场景中，贷前模型的应用对于申请用户的风险防范发挥着重要作用，例如信用评估、欺诈识别、违约预测等。模型的建立过程，必然需要某种机器学习算法来实现，而常用的算法包括逻辑回归、随机森林、XGBoost、LightGBM等，具体采用何种方法较为合适都需要根据建模样本与实际需求而定。但是，无论选取哪类算法，模型最终性能的认可往往不是一步到位的，是在模型训练阶段需要对模型参数经过多次调整优化，并通过模型效果对比选定表现相对较好的模型。本文从数据建模的实践经验出发，以集成学习决策树算法建立信用评估或违约预测模型

			
		

	





	

		

			

				
					
机器学习方法R实现-用决策树、神经网络等九种机器学习方法对信用卡违约率建模

				
			

			

				

					07-21
				

			

		

		

			
				
用R实现多种主流的机器学习方法进行，对信用卡违约率进行机器学习建模、模型评价和调参

			
		

	





	

		

			

				
					
个人贷款违约预测模型.docx

				
			

			

				

					09-23
				

			

		

		

			
				
本项目通利用Kaggle平台predict-loan-defaulters 贷款数据，通过逻辑回归模型来对这些数据进行预测判断，构建贷款违约预测模型，建立预测模型，预测正处于贷款期间的人的违约的概率 。在贷款管理方面，如果可以通过构建量化模型对客户的信用等级进行一定的区分。得知了每个账户的违约概率后，可以预估一下未来的坏账比例，及时做好资金安排。也可以对违约概可能性较高的客户进行更加频繁的“关怀”，及时发现问题，以避免损失。
在这个量化模型中，被解释变量为二分类变量，因此需要构建一个排序类分类模型。而排序类分类模型中常使用的算法是逻辑回归。

			
		

	





	

		

			

				
					
【数据分析】信用卡用户画像及违约预测逻辑回归模型

				
			

			

				

					weixin_44502186的博客
				

				

					02-07
					
					3552
					
				

			

		

		

			
				
基于个人信贷业务的信用卡用户分析和违约预测的逻辑回归模型的练习项目。

			
		

	





	

		

			

				
					
数据挖掘实战（1）：信用卡违约率分析

				
			

			

				

					ywangjiyl的博客
				

				

					08-24
					
					2392
					
				

			

		

		

			
				
如何选择各种分类器，到底应该选择哪个分类算法，是SVM，决策树，还是KNN？如何优化分类器的参数，以便于得到更好的分类准确率？
一、机器学习算法
分类和回归的区别在于输出变量的类型。
定量输出称为回归，或者说是连续变量预测；
定性输出称为分类，或者说是离散变量预测。
举个例子：
预测明天的气温是多少度，这是一个回归任务；就是有具体数值的任务
预测明天是阴、晴还是雨，就是一个分类任务。就是分两类
1、分类算法

决策树：目前一般用CART算法。他建立的是二叉树，分类时使用基尼系数来度量划分点

朴素贝叶斯：一

			
		

	





	

		

			

				
					
贷款违约预测学习笔记

				
			

			

				

					submarineas的博客
				

				

					09-13
					
					4774
					
				

			

		

		

			
				
赛题介绍
链接：https://tianchi.aliyun.com/competition/entrance/531830/information
赛题数据
赛题以预测用户贷款是否违约为任务，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

			
		

	





	

		

			

				
					
信用贷款违约预测项目

				
			

			

				

					weixin_43851352的博客
				

				

					08-31
					
					8314
					
				

			

		

		

			
				
零、项目概述
**项目背景：**比赛由 Kaggle 举办，要求选手依据客户的信用卡信息(application)、信用局信息(bureau)、历史申请信息(previous_application)分期付款信息(installments_payments)等7个主、副数据集来预测客户贷款是否会违约。
分析流程：

首先对数据进行预览和可视化探索，理解各个属性，查看数据集中的缺失值和异常值并进行相应地处理；
其次对违约用户和非违约用户的属性分布进行可视化分析，探索差异点；
接着通过用户属性可视化分析和业务理

			
		

	





	

		

			

				
					
[LinearRegression]线性回归：评分卡模型-信用卡评分

				
			

			

				

					Sukey666666的博客
				

				

					03-15
					
					1094
					
				

			

		

		

			
				
使用线性回归模型LinearRegression进行信用卡的信用评分

			
		

	





	

		

			

				
					
基于Logistic的贷款违约预测模型

				
			

			

				

					penghaichao的博客
				

				

					03-10
					
					2699
					
				

			

		

		

			
				
运用逻辑回归进行违约的预测，在构建模型的过程中用到了向前法筛选模型自变量
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import os
import re
import datetime
import time
from sklearn.model_...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值