信用卡违约率分析

绝地灬酷狼 2022-12-23 07:08 124阅读 0赞

机器学习的主要流程如下：  
![在数据挖掘的过程中，我们][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center]

*  1.将数据进行数据预处理
 *  2.进行特征提取、特征归一化等
 *  3.通过机器学习算法进行模型训练
 *  4.将新数据传入模型进行预测
 *  5.对预测结果进行评估

那比如今天我们来进行信用卡的违约率进行分析，当拿到数据的第一步，我们应该进行数据探索，并且对数据完整性和质量做评估。

import pandas as pd
    
    # 数据加载
    data = data = pd.read_csv('./UCI_Credit_Card.csv')
    
    # 数据探索
    print(data.info())
    print(data.head())
    print(data.describe())

得出信息如下：

*  1.数据形状
    
     *  样本数据：30000行
     *  特征数据：25列
 *  2.数据含义  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center 1]
 *  得出信息：
    
     *  目标：default.payment.next.month
     *  特征：除 default.payment.next.month 之外的数据
 *  有无缺失值情况：无

从以上的情况来看，这批数据的完整性其实是还不错的。现在我们需要大致的了解一下，在数据中，下个月违约与没有违约各占多数。

# 查看下个月是否违约次数
    next_month = data['default.payment.next.month'].value_counts()
    next_month
    
    # 直观的体现下个月是否违约情况
    from matplotlib import pyplot as plt
    plt.bar(x=["no","yes"],height=next_month.values,color=["pink","skyblue"])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center 2]  
可以发现，大部分都是没有违约的。数据探索就到此为止。

那接下来，我们发现ID这列对用户是否违约这个结果来说，没有任何影响，所以直接删除。

data.drop(["ID"],inplace=True,axis=1)

除此之外，我们就需要构建标签数据以及特征数据，还需要分割出训练数据以及测试数据。

# 构建标签
    labels = data["default.payment.next.month"].values
    
    # 构建特征 
    # 删除标签列
    features = data.drop("default.payment.next.month",axis=1)
    # 获取特征名称转为列表
    features_name = features.columns.tolist()
    
    # 进行数据分割
    from sklearn.model_selection import train_test_split
    train_x, test_x, train_y, test_y = train_test_split(features.values, labels, test_size=0.30, stratify = labels, random_state = 1)

OK，到这里，数据都整的差不多了，我们就需要来应用算法训练模型。那在这里，我们通常会遇到一些数据挖掘的核心问题，如下：

*  如何选择分类器(算法模型)？
 *  如何优化分类器参数(以便于得到更好的分类准确率)？

那实际上，我们可以同时构建多个分类器，来进行结果测试。包括参数也可以构建n个参数，来进行一一测试，进而比较得出效果最好的分类器以及参数。

from sklearn.svm import SVC
    from sklearn.tree import DecisionTreeClassifier
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.neighbors import KNeighborsClassifier
    
    # 构建各种分类器
    classifiers = [ 
        SVC(random_state = 1, kernel = 'rbf'), 
        DecisionTreeClassifier(random_state = 1, criterion = 'gini'), 
        RandomForestClassifier(random_state = 1, criterion = 'gini'), 
        KNeighborsClassifier(metric = 'minkowski')
    ]
    
    # 分类器名称
    classifier_names = [
                'svc', 
                'decisiontreeclassifier',
                'randomforestclassifier',
                'kneighborsclassifier',
    ]
    
    # 分类器参数
    classifier_param_grid = [
                {'svc__C':[1], 'svc__gamma':[0.01]},
                {'decisiontreeclassifier__max_depth':[6,9,11]},
                {'randomforestclassifier__n_estimators':[3,5,6]} ,
                {'kneighborsclassifier__n_neighbors':[4,6,8]},
    ]
    
    # 对具体的分类器进行GridSearchCV参数调优
    def GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, param_grid, score = 'accuracy'):
        response = {}
        gridsearch = GridSearchCV(estimator = pipeline, param_grid = param_grid, scoring = score)
        
        # 寻找最优的参数 和最优的准确率分数
        search = gridsearch.fit(train_x, train_y)
        print("GridSearch最优参数：", search.best_params_)
        print("GridSearch最优分数： %0.4lf" %search.best_score_)
        predict_y = gridsearch.predict(test_x)
        print("准确率 %0.4lf" %accuracy_score(test_y, predict_y))
        response['predict_y'] = predict_y
        response['accuracy_score'] = accuracy_score(test_y,predict_y)
        return response
    
    for model, model_name, model_param_grid in zip(classifiers, classifier_names, classifier_param_grid):
        pipeline = Pipeline([
                ('scaler', StandardScaler()),
                (model_name, model)
        ])
        result = GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, model_param_grid , score = 'accuracy')

结果如下：

GridSearch最优参数： {'svc__C': 1, 'svc__gamma': 0.01}
    GridSearch最优分数： 0.8186
    准确率 0.8172
    GridSearch最优参数： {'decisiontreeclassifier__max_depth': 6}
    GridSearch最优分数： 0.8208
    准确率 0.8113
    GridSearch最优参数： {'randomforestclassifier__n_estimators': 6}
    GridSearch最优分数： 0.8004
    准确率 0.7994
    GridSearch最优参数： {'kneighborsclassifier__n_neighbors': 8}
    GridSearch最优分数： 0.8040
    准确率 0.8036

从结果得出，决策树分类器得出的结果居然是最好的，达到了0.82。所以接下来，如果大家将新的特征，输入到决策树分类器中即可预测出当前模型中较好的结果。

OK，当然这个是需要大家慢慢学习的啦~像SVM、决策树、随机森林等等。太多了，就不一一给大家进行抒写了。

如有需要数据，或者了解更多关于Python的学习内容，欢迎关注我的公众号奥~![在这里插入图片描述][20201123194334245.gif_pic_center]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/f560f46439f24041b2d03750bab9f714.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/96899f543e4149a8b284acd8d1a06249.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/9354c32a7f584c108f0a39ee938ede69.png
[20201123194334245.gif_pic_center]: /images/20221120/4e489135da35405084b329b5f0be217f.png