零基础入门金融风控-赛题理解

杨超越管用啊
410 阅读5分钟

项目信息

天池比赛：tianchi.aliyun.com/competition…

赛题概况

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。

赛题数据

一般而言，对于数据在比赛界面都有对应的数据概况介绍(匿名特征除外)，说明列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。

Tip:匿名特征，就是未告知数据列所属的性质的特征列。

train.csv字段解释如下：

FieldDescription
id为贷款清单分配的唯一信用证标识
loanAmnt贷款金额
term贷款期限（year）
interestRate贷款利率
installment分期付款金额
grade贷款等级
subGrade贷款等级之子级
employmentTitle就业职称
employmentLength就业年限（年）
homeOwnership借款人在登记时提供的房屋所有权状况
annualIncome年收入
verificationStatus验证状态
issueDate贷款发放的月份
purpose借款人在贷款申请时的贷款用途类别
postCode借款人在贷款申请中提供的邮政编码的前3位数字
regionCode地区编码
dti债务收入比
delinquency_2years借款人过去2年信用档案中逾期30天以上的违约事件数
ficoRangeLow借款人在贷款发放时的fico所属的下限范围
ficoRangeHigh借款人在贷款发放时的fico所属的上限范围
openAcc借款人信用档案中未结信用额度的数量
pubRec贬损公共记录的数量
pubRecBankruptcies公开记录清除的数量
revolBal信贷周转余额合计
revolUtil循环额度利用率，或借款人使用的相对于所有可用循环信贷的信贷金额
totalAcc借款人信用档案中当前的信用额度总数
initialListStatus贷款的初始列表状态
applicationType表明贷款是个人申请还是与两个共同借款人的联合申请
earliesCreditLine借款人最早报告的信用额度开立的月份
title借款人提供的贷款名称
policyCode公开可用的策略_代码=1新产品不公开可用的策略_代码=2
n系列匿名特征匿名特征n0-n14，为一些贷款人行为计数特征的处理

预测指标

竞赛采用AUC作为评价指标。AUC(Area Under Curve)被定义为 ROC曲线下与坐标轴围成的面积。

分类算法常见的评估指标

1、混淆矩阵(Confuse Matrix)

  • (1)若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive )
  • (2)若一个实例是正类，但是被预测为负类，即为假负类FN(False Negative )
  • (3)若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive )
  • (4)若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative )

2、准确率(Accuracy) 准确率是常用的一个评价指标，但是不适合样本不均衡的情况。

Accuracy=TP+TNTP+TN+FP+FNAccuracy=\frac {TP+TN} {TP+TN+FP+FN}

3、精确率(Precision) 又称查准率，正确预测为正样本(TP)占预测为正样本(TP+FP)的百分比。 Precision=TPTP+FPPrecision=\frac{TP}{TP+FP}

4、召回率(Recall) 又称为查全率，正确预测为正样本(TP)占正样本(TP+FN)的百分比。 Precision=TPTP+FNPrecision=\frac{TP}{TP+FN}

5、F1 Score 精确率和召回率是相互影响的，精确率升高则召回率下降，召回率升高则精确率下降，如果需要兼顾二者，就需要精确率、召回率的结合F1 Score。 F1−Score=21Precision+1RecallF1-Score=\frac{2}{\frac{1}{Precision}+\frac{1}{Recall}}

6、P-R曲线(Precision-Recall Curve) P-R曲线是描述精确率和召回率变化的曲线

7、ROC(Receiver Operating Characteristic) ROC空间将假正例率(FPR)定义为 X 轴，真正例率(TPR)定义为 Y 轴。

  • TPR:在所有实际为正例的样本中，被正确地判断为正例之比率。 TPR=TPTP+FNTPR=\frac{TP}{TP+FN}
  • FPR:在所有实际为负例的样本中，被错误地判断为正例之比率。 FPR=FPFP+TNFPR=\frac{FP}{FP+TN}

8、AUC(Area Under Curve)

  • AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。
  • 又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。
    • AUC越接近1.0，检测方法真实性越高
    • 等于0.5时，则真实性最低，无应用价值

金融风控预测类常见的评估指标

KS(Kolmogorov-Smirnov) K-S曲线与ROC曲线类似，不同在于

  • ROC曲线将真正例率和假正例率作为横纵轴

  • K-S曲线将真正例率和假正例率都作为纵轴，横轴则由选定的阈值来充当。 公式如下:KS=max(TPR−FPR)KS=max(TPR-FPR)

  • KS不同代表的不同情况，一般情况KS值越大，模型的区分能力越强，但是也不是越大模型效果就越好，如果KS过大，模型可能存在异常，所以当KS值过高可能需要检查模型是否过拟合。以下为KS值对应的模型情况，但此对应不是唯一的，只代表大致趋势。

    • KS值<0.2，一般认为模型没有区分能力。
    • KS值[0.2,0.3]，模型具有一定区分能力，勉强可以接受
    • KS值[0.3,0.5]，模型具有较强的区分能力。
    • KS值大于0.75，往往表示模型有异常。

参考资料：DataWhale社区组队学习

avatar
文章
阅读
粉丝