金融貸款逾期的模型實現

數據集的下載地址為 https://pan.baidu.com/s/1dtHJiV6zMbf_fWPi-dZ95g

我們要做的是預測貸款用戶是否會逾期。表格中 "status" 是結果標簽：0表示未逾期，1表示逾期。

先對數據進行三七分，隨機種子2018。這裡利用了LR,SVM,DecisionTree三種模型，並對這三種模型進行評分。

數據劃分

先導入劃分數據和構建模型所需要的各種包。用read_csv函數打開csv文件。接著再對數據集進行三七劃分。在獲取訓練集的時候，可以用列表推導法，也可以用drop函數，不過要註意再刪除列的時候要將 axis = 1

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn import svm

data_all = pd.read_csv('D:\\data_all.csv',encoding='gbk')

#features = [x for x in data_all.columns if x not in ['status']]
#X = data_all[features]
X = data_all.drop(['status'],axis = 1)
y = data_all['status']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,random_state=2018)

三種模型的訓練與評分

下一步就是分別構建是三種模型了。

#LR
lr = LogisticRegression(random_state = 2018)
lr.fit(X_train, y_train)
#DecisionTree
dt = DecisionTreeClassifier(random_state = 2018)
dt.fit(X_train , y_train)
#SVM
svc = svm.SVC(random_state = 2018)
svc.fit(X_train , y_train)
#列印三種模型的得分
print(dt.score(X_test,y_test))
print(lr.score(X_test,y_test))
print(svc.score(X_test,y_test))

 最後得到三種模型的評分

0.6846531184302733
0.7484232655921513
0.7484232655921513