基于随机森林的信用卡满意度模型预测

基于随机森林的信用卡满意度模型预测

本文介绍了如何利用机器学习技术构建信用评分模型，以帮助金融机构评估借款人的信用风险并做出贷款决策。文章首先从数据预处理开始，包括数据读取、清洗和特征工程，以确保数据质量和适用性。接着，通过可视化分析了贷款金额、贷款等级和贷款状态等关键特征，以便更好地理解数据。随后，使用随机森林分类器进行模型训练，并评估了模型在测试集上的性能，包括准确率、精确率、召回率和F1值等指标。最终，通过优化模型并展望未来的研究方向，为金融业务的发展提供了重要参考。

1、数据读取： 我们使用 Pandas 库从 CSV 文件中读取数据集，其中包含了个人贷款信息。

def read_data_from_csv():
    # 读取数据
    data = pd.read_csv("data/new_file.csv").sample(n=20000,random_state=42)
    return data

2、数据清洗： 我们删除了一些与建模无关的特征，如 ‘id’、‘url’、‘desc’、‘member_id’ 等。

    # 删除无关特征，如id，url等
    data.drop(['id', 'url', 'desc', 'member_id'], axis=1, inplace=True)

3、处理缺失值： 我们使用均值填充了数值型特征中的缺失值，并使用线性插值方法填充了剩余的缺失值。

# 处理缺失值
    # data.dropna(inplace=True)
    # df = data.fillna(data.mean())
    # df.replace([np.inf, -np.inf], np.nan, inplace=True)
    # df = df.fillna(df.mean())
    nan_values = data.isnull().values.any()
    print(nan_values)

    inf_values = data[data == np.inf].values.any()
    print(inf_values)
    # 使用均值填充 NaN 值
    data.fillna(data.mean(), inplace