利用机器学习进行金融数据风险评估

需求

使用数据1,用python语言构建逻辑回归模型,分析预测目标人群发生风险交易的概率

（1）以 “python.txt”命名完整python执行代码，建模流程完整，主要步骤代码注释规范：有读入或导入样本、分析特征变量、查看数据维度、建立模型、测试模型相关步骤。

（2）能测试评估模型有效性。以“score_oos.xlsx”命名保存验证集OOS结果（素材有模板），结果文件字段内容完整，结论描述完整，计算正确，AUC评估值不小于0.5。
所需字段及相关说明:
uid(用户编号)
prob（风险交易概率，越大表示逾期风险越高）
target（实际风险交易标签）

（3）正确使用模型预测目标人群风险概率，以“score_sample_prob.xlsx”命名目标人群分析预测结果，输出文件字段内容完整，预测结果准确率高。
所需字段及相关说明:
uid(用户编号)
prob（风险交易概率，越大表示逾期风险越高）

数据1

https://gitee.com/pingfanrenbiji/resource/tree/master/%E9%87%91%E8%9E%8D%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90/%E7%AC%AC%E4%B8%80%E9%A2%98/sucai1

需求分析

1、用python语言构建逻辑回归模型

2、代码关键步骤注释

有读入或导入样本、分析特征变量、查看数据维度、建立模型、测试模型相关步骤

3、结果文件字段完整（uid 用户编号、prob 风险交易概率 越大表示逾期风险越高 、target实际风险交易标签）

4、使用模型预测目标人群发生交易风险概率

Python代码

代码文件是ipynb格式 需要jupyter工具打开

Mac按照jupyter工具

• 安装并启动

pip3 install jupyter
jupyter notebook

• 访问页面

http://localhost:8888/

• 设置密码

jupyter notebook password

Enter password: 
Verify password: 
[NotebookPasswordApp] Wrote hashed password to /Users/mengfanxiao/.jupyter/jupyter_notebook_config.json

上传代码到jupyter工具

源码文件

https://gitee.com/pingfanrenbiji/resource/blob/master/%E9%87%91%E8%9E%8D%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90/%E7%AC%AC%E4%B8%80%E9%A2%98/task1.ipynb

代码逻辑分析

• 导入python库 pandas和numpy

import pandas as pd
import numpy as np

• 导入样本

model_vars = pd.read_csv('model_vars.csv')
transaction_risk_sample = pd.read_excel('transaction_risk_sample.xlsx')
transaction_risk_score_sample = pd.read_excel('transaction_risk_score_sample.xlsx')

执行之前 分别把这三个样本都上传上去

执行上面的python代码

若报错

则安装下这个包即可

pip3 install xlrd

分别查看下文件内容

样本特征表中字段：
uid time_sinc