前言：

風(fēng)險控制是挖掘中最為常見的應(yīng)用，屬于監(jiān)督學(xué)習(xí)的“分類器”使用案例。我們通過以往歷史數(shù)據(jù)判斷用戶違約的概率。本文使用了Logistic Regression 方法完成案例。

首先是基于個人借貸的場景，確定“違約”的定義： 根據(jù)新的Basel II Capital Accord(巴塞爾二資本協(xié)議)，一般逾期90天算作違約。

風(fēng)控模型開發(fā)流程

· 數(shù)據(jù)抽取

· 數(shù)據(jù)探索

· 建模數(shù)據(jù)準(zhǔn)備

· 變量選擇

· 模型開發(fā)與驗證

· 模型部署

· 模型監(jiān)督

import pandasas pd#pandas包

import numpy as np#numpy包

import matplotlib.pyplot as plt#畫圖包

import seaborn as sb#畫圖包

from sklearn.linear_model import LogisticRegression#隨機(jī)森林包

from sklearn.cross_validation import KFold,cross_val_score#交叉驗證包

from sklearn.metrics import confusion_matrix,recall_score,classification_report#混淆矩陣包

from sklearn.preprocessing import StandardScaler數(shù)據(jù)標(biāo)準(zhǔn)化處理

1.數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)來自Kaggle，cs-training.csv是有15萬條的樣本數(shù)據(jù)，違約(1)：不違約(0)=0.06：0.94)，字段解釋如下。

SeriousDlqin2yrs：超過90天或更糟的逾期拖欠

RevolvingUtilization Of UnsecuredLines：無擔(dān)保放款的循環(huán)利用：除了不動產(chǎn)和像車 貸那樣除以信用額度總和的無分期付款債務(wù)的信用卡和個人信用額度總額

Age：借款人年齡

NumberOfTime30-59DaysPastDueNotWorse：30-59天逾期次數(shù)

DebtRatio：負(fù)債比例

MonthlyIncome：月收入

Number Of OpenCreditLinesAndLoans：貸款數(shù)量

NumberOfTimes90DaysLate：90天逾期次數(shù)：借款者有90天或更高逾期的次數(shù)

NumberReal Estate Loans Or Lines：不動產(chǎn)貸款或額度數(shù)量：抵押貸款和不動產(chǎn)放款包 括房屋凈值信貸額度

Number Of Time 60-89Days PastDue Not Worse：0-89天逾期次數(shù)

NumberOfDependents：不包括本人在內(nèi)的家屬數(shù)量

2.數(shù)據(jù)處理

2.1缺失值分析處理

traindata=pd.read_csv("C:/Users/Administrator/Desktop/CreditCard/CreditCard/cs_training.csv")#導(dǎo)入數(shù)據(jù)

traindata.drop_duplicates()#丟棄重復(fù)列

import missingno as msno#可視化分析缺失值包

sb.set(font_scale=2.0)

msno.matrix(traindata.sample(500),figsize=(16,7))

總結(jié)

以上是生活随笔為你收集整理的python在银行的应用案例_银行风控案例(python)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。