基于LightGBM实现银行客户信用违约预测

P粉084495128
发布: 2025-07-28 11:09:43
原创
631人浏览过
本文基于LightGBM实现银行客户信用违约预测。先读取训练集和测试集数据,处理Credit_Product列缺失值为“ No ”。经数据EDA后,用LabelEncoder对离散变量编码。构建LGBM模型,通过5折交叉验证训练,验证集平均AUC为0.7889,最后输出预测结果为指定格式的CSV文件。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

基于lightgbm实现银行客户信用违约预测 - php中文网

一、基于LightGBM实现银行客户信用违约预测

题目地址:Coggle竞赛

1.赛题介绍

信用评分卡(金融风控)是金融行业和通讯行业常见的风控手段,通过对客户提交的个人信息和数据来预测未来违约的可能性。对客户进行信用评分是一个常见的分类问题。

在本次赛题中需要参赛选手建立机器学习模型来预测申请人是“好”还是“坏”客户,与其他任务不同,没有给出“好”或“坏”的定义。 您应该使用一些技术,例如年份分析来构建您的标签。

2.数据介绍

赛题包含两部分训练集和测试集,选手需要在训练集上进行搭建模型,然后在测试集进行预测。

  • train.csv,训练集
  • test.csv,测试集
  • sample_submission.csv,测试集提交样例

数据字段介绍如下:

  • ID,客户唯一标识
  • Gender,客户性别
  • Age,客户年龄
  • Region_Code,地区代码
  • Occupation,客户职业
  • Channel_Code,客户渠道代码
  • Vintage,客户服务月份
  • Credit_Product,信贷产品类型
  • AvgAccountBalance,客户最近12个月平均账户余额
  • Is_Active,客户最近3个月是否活跃

3.提交格式

评分使用准确率进行评分,准确率值越大越好。

  • 实操方案不允许使用外部数据集,不允许使用任何外部预训练模型。
  • 实操方案需要在指定平台进行评分,提交csv格式。

提交格式样例:

ID,TargetAXM2EH3R,18ETNJAUW,1VCSJTEPW,09EOYOOHV,0
登录后复制

       

4.总体思路

  • 对缺失值进行处理,原本想全删掉,结果test也有,就填充了;
  • 对离散值处理,直接分类,离散数据Encoder;
  • 数据EDA,主要是确定各特征分布,其中离散的太多,时间太久就取消了;
  • 使用lightGBM建立模型并训练;
  • 保存结果并提交。

学习自:

  • 江某1111号机数据Encode方式,非常方便。
  • 江某1111号机 基于LightGBM实现银行客户认购产品预测

二、数据载入

1.数据读取

通过pandas读取数据

In [1]
import pandas as pdimport numpy as np
df=pd.read_csv("data/data207852/train.csv")
test=pd.read_csv("data/data207852/test.csv")
test.head(10)
登录后复制
       
         ID  Gender  Age Region_Code     Occupation Channel_Code  Vintage  \
0  AXM2EH3R  Female   43       RG284  Self_Employed           X3       26   
1  8ETNJAUW  Female   46       RG282  Self_Employed           X2       14   
2  VCSJTEPW  Female   28       RG254  Self_Employed           X1       15   
3  9EOYOOHV    Male   58       RG265          Other           X3       15   
4  S4B53OKJ    Male   75       RG260          Other           X3      111   
5  3DTSVD9Y  Female   51       RG268  Self_Employed           X1       57   
6  8WYWQUUX    Male   32       RG279       Salaried           X1       33   
7  FPQTNHGY  Female   38       RG270       Salaried           X1       33   
8  UXCKDQ34    Male   56       RG254  Self_Employed           X2       62   
9  CFTGOZHH  Female   29       RG283       Salaried           X1       20   

  Credit_Product  Avg_Account_Balance Is_Active  
0            Yes              1325325       Yes  
1             No               634489        No  
2             No              2215655        No  
3            Yes               925929       Yes  
4             No               721825       Yes  
5             No               490345        No  
6             No               650483        No  
7            NaN               369777        No  
8            Yes              2406880       Yes  
9             No               659053        No
登录后复制
               
In [2]
df.head(10)
登录后复制
       
         ID  Gender  Age Region_Code     Occupation Channel_Code  Vintage  \
0  ZYFGCP3R    Male   58       RG264  Self_Employed           X2       19   
1  MQJBCRCF  Female   45       RG271  Self_Employed           X3      104   
2  UZOQRG46  Female   30       RG278          Other           X1       25   
3  GCX6RVZS  Female   52       RG283  Self_Employed           X1       43   
4  9V6BRARI  Female   76       RG254          Other           X1       57   
5  WUGN99OM    Male   28       RG275       Salaried           X1       33   
6  EQ4CBNED    Male   31       RG268       Salaried           X1       33   
7  JZZ7MPIR    Male   48       RG259   Entrepreneur           X2       67   
8  KVHMRSES  Female   31       RG254       Salaried           X1       33   
9  KS45GJCT  Female   48       RG273          Other           X3      105   

  Credit_Product  Avg_Account_Balance Is_Active  Target  
0             No               552449       Yes       0  
1            Yes               525206        No       1  
2             No               724718        No       0  
3            Yes              1452453        No       0  
4             No              1895762        No       0  
5             No               885576        No       0  
6             No               653135       Yes       0  
7            Yes               389553       Yes       1  
8             No              1543001        No       0  
9            NaN               360005       Yes       1
登录后复制
               
In [3]
df.info()
登录后复制
       
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 195725 entries, 0 to 195724
Data columns (total 11 columns):
 #   Column               Non-Null Count   Dtype 
---  ------               --------------   ----- 
 0   ID                   195725 non-null  object
 1   Gender               195725 non-null  object
 2   Age                  195725 non-null  int64 
 3   Region_Code          195725 non-null  object
 4   Occupation           195725 non-null  object
 5   Channel_Code         195725 non-null  object
 6   Vintage              195725 non-null  int64 
 7   Credit_Product       172279 non-null  object
 8   Avg_Account_Balance  195725 non-null  int64 
 9   Is_Active            195725 non-null  object
 10  Target               195725 non-null  int64 
dtypes: int64(4), object(7)
memory usage: 16.4+ MB
登录后复制
       

2.NaN处理

发现Credit_Product列有空值,怎么办?仔细一看test也有空值,不能简单的删除了,那就看这个值哪个多就填写哪个了。

In [4]
# 统计某列值  df['Credit_Product'].unique()
登录后复制
       
array(['No', 'Yes', nan], dtype=object)
登录后复制
               
In [5]
# 统计某列出现某值的次数  df['Credit_Product'].value_counts()
登录后复制
       
No     114910
Yes     57369
Name: Credit_Product, dtype: int64
登录后复制
               

可以看出,该列值主要为No,因此缺失值nan设置为No。

In [6]
test.info()
登录后复制
       
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 50000 entries, 0 to 49999
Data columns (total 10 columns):
 #   Column               Non-Null Count  Dtype 
---  ------               --------------  ----- 
 0   ID                   50000 non-null  object
 1   Gender               50000 non-null  object
 2   Age                  50000 non-null  int64 
 3   Region_Code          50000 non-null  object
 4   Occupation           50000 non-null  object
 5   Channel_Code         50000 non-null  object
 6   Vintage              50000 non-null  int64 
 7   Credit_Product       44121 non-null  object
 8   Avg_Account_Balance  50000 non-null  int64 
 9   Is_Active            50000 non-null  object
dtypes: int64(3), object(7)
memory usage: 3.8+ MB
登录后复制
       
In [7]
# 空值填Nodf=df.fillna('No')
test=test.fillna('No')
登录后复制
   

2.数据EDA

  • duration分箱展示

    微信 WeLM
    微信 WeLM

    WeLM不是一个直接的对话机器人,而是一个补全用户输入信息的生成模型。

    微信 WeLM 33
    查看详情 微信 WeLM
  • 查看数据分布

  • 数据相关图

In [8]
import matplotlib.pyplot as plt       
import seaborn as sns
%matplotlib inline# 按年龄分布查看ages=[22,30,40,50,60,70,80,90]
df1=df[df['Credit_Product']=='Yes']
binning=pd.cut(df1['Age'],ages,right=False)
time=pd.value_counts(binning)# 可视化time=time.sort_index()
fig=plt.figure(figsize=(6,2),dpi=120)
sns.barplot(time.index,time,color='royalblue')
x=np.arange(len(time))
y=time.valuesfor x_loc,jobs in zip(x,y):
    plt.text(x_loc, jobs+2, '{:.1f}%'.format(jobs/sum(time)*100), ha='center', va= 'bottom',fontsize=8)
plt.xticks(fontsize=8)
plt.yticks([])
plt.ylabel('')
plt.title('duration_yes',size=8)
sns.despine(left=True)
plt.show()
登录后复制
       
<Figure size 720x240 with 1 Axes>
登录后复制
               
In [9]
# 分离数值变量与分类变量Nu_feature = list(df.select_dtypes(exclude=['object']).columns)  
Ca_feature = list(df.select_dtypes(include=['object']).columns)#查看训练集与测试集数值变量分布import matplotlib.pyplot as plt       
import seaborn as snsimport warnings
warnings.filterwarnings("ignore")
plt.figure(figsize=(15,5))

Nu_feature.remove('Target')# 根据数值型分布查看i=1for col in Nu_feature:
    ax=plt.subplot(1,3,i)
    ax=sns.kdeplot(df[col],color='red')
    ax=sns.kdeplot(test[col],color='cyan')
    ax.set_xlabel(col)
    ax.set_ylabel('Frequency')
    ax=ax.legend(['train','test'])
    i+=1plt.show()
登录后复制
       
<Figure size 1500x500 with 3 Axes>
登录后复制
               

查看离散变量分布

由于时间太久,故不测

col1=Ca_feature
plt.figure(figsize=(20,10))j=1for col in col1:    ax=plt.subplot(6,3,j)    ax=plt.scatter(x=range(len(df)),y=df[col],color='red')
    plt.title(col)
    j+=1k=7for col in col1:    ax=plt.subplot(6,3,k)    ax=plt.scatter(x=range(len(test)),y=test[col],color='cyan')
    plt.title(col)
    k+=1
plt.subplots_adjust(wspace=0.4,hspace=0.3)  
plt.show()
登录后复制
   
In [10]
# 离散数据Encoderfrom sklearn.preprocessing import LabelEncoder

lb = LabelEncoder()                               
cols = Ca_featurefor m in cols:
    df[m] = lb.fit_transform(df[m])
    test[m] = lb.fit_transform(test[m])
 
correlation_matrix=df.corr()
plt.figure(figsize=(12,10))# 热力图sns.heatmap(correlation_matrix,vmax=0.9,linewidths=0.05,cmap="RdGy")
登录后复制
       
<matplotlib.axes._subplots.AxesSubplot at 0x7fa254ac6150>
登录后复制
               
<Figure size 1200x1000 with 2 Axes>
登录后复制
               

三、建立模型

1. 切割训练集和测试集

这里使用留出法划分数据集,将数据集分为自变量和因变量。

按比例切割训练集和测试集(一般测试集的比例有30%、25%、20%、15%和10%),使用分层抽样,设置随机种子以便结果能复现

In [11]
from lightgbm.sklearn import LGBMClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import KFoldfrom sklearn.metrics import accuracy_score, auc, roc_auc_score
 
X=df.drop(columns=['ID','Target'])
Y=df['Target']
test=test.drop(columns='ID')# 划分训练及测试集x_train,x_test,y_train,y_test = train_test_split( X, Y,test_size=0.3,random_state=1)
登录后复制
   

2. 模型创建

创建基于树的分类模型(lightgbm)

这些模型进行训练,分别的到训练集和测试集的得分

In [12]
# 建立模型gbm = LGBMClassifier(n_estimators=600,learning_rate=0.01,boosting_type= 'gbdt',   
    objective = 'binary',
    max_depth = -1,  
    random_state=2022,           
    metric='auc')
登录后复制
   

四、模型训练

交叉验证介绍

  • 交叉验证(cross-validation)是一种评估泛化性能的统计学方法,它比单次划分训练集和测试集的方法更加稳定、全面。
  • 在交叉验证中,数据被多次划分,并且需要训练多个模型。
  • 最常用的交叉验证是 k 折交叉验证(k-fold cross-validation),其中 k 是由用户指定的数字,通常取 5 或 10。

1.模型训练

In [13]
# 交叉验证result1 = []
mean_score1 = 0n_folds=5kf = KFold(n_splits=n_folds ,shuffle=True,random_state=2022)for train_index, test_index in kf.split(X):
    x_train = X.iloc[train_index]
    y_train = Y.iloc[train_index]
    x_test = X.iloc[test_index]
    y_test = Y.iloc[test_index]
    gbm.fit(x_train,y_train)
    y_pred1=gbm.predict_proba((x_test),num_iteration=gbm.best_iteration_)[:,1]    print('验证集AUC:{}'.format(roc_auc_score(y_test,y_pred1)))
    mean_score1 += roc_auc_score(y_test,y_pred1)/ n_folds
    y_pred_final1 = gbm.predict_proba((test),num_iteration=gbm.best_iteration_)[:,1]
    y_pred_test1=y_pred_final1
    result1.append(y_pred_test1)
登录后复制
       
验证集AUC:0.7889931707362382
验证集AUC:0.7894677985120346
验证集AUC:0.7931272562656144
验证集AUC:0.7850546301430752
验证集AUC:0.7876841341097264
登录后复制
       

2.模型评估

In [14]
# 模型评估print('mean 验证集auc:{}'.format(mean_score1))
cat_pre1=sum(result1)/n_folds
登录后复制
       
mean 验证集auc:0.7888653979533378
登录后复制
       

3.输出结果

将预测结果按照指定格式输出到result.csv文件

In [20]
ret1=pd.DataFrame(cat_pre1,columns=['Target'])
ret1['Target']=np.where(ret1['Target']>0.5,'1','0').astype('str')

result = pd.DataFrame()
test=pd.read_csv("data/data207852/test.csv")
result['ID'] = test['ID']
result['Target'] = ret1['Target']

result.to_csv('result.csv',index=False)
登录后复制
   
In [21]
print(test.columns)
登录后复制
       
Index(['ID', 'Gender', 'Age', 'Region_Code', 'Occupation', 'Channel_Code',
       'Vintage', 'Credit_Product', 'Avg_Account_Balance', 'Is_Active'],
      dtype='object')
登录后复制
       

五、提交

第一次提交错了,第二次刷新过头了

基于LightGBM实现银行客户信用违约预测 - php中文网        

以上就是基于LightGBM实现银行客户信用违约预测的详细内容,更多请关注php中文网其它相关文章!

相关标签:
360借条
360借条

3分钟审核,最快5分钟放款,极速到账,低服务费,年化综合息费率7.2%起。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号