信用卡申請預測案例
信用卡業(yè)務，是各大銀行的核心業(yè)務之一。銀行收到大量信用卡申請,其中許多人因為各種原因而被拒絕，比如高的個人信用貸款余額，低的收入水平或者過高的個人征信報告查詢次數等。
銀行工作人員手動調研和分析這些個人申請資料很普遍，但是，容易出錯，而且也很耗時（時間就是金錢，效率就是生命）。幸運的是，這項任務可以通過機器學習實現自動化，在風險可控的前提下，極大地提升了工作的效率和產能。
在本案例中，將使用機器學習技術構建一個自動信用卡申請預測模型，并利用模型去判斷那些人信用卡申請可以批準，就像真正銀行做的那樣。
學習和實踐本案例，你可以得到：
信用卡申請是個什么問題？
數據集如何整理？
模型如何構建？
模型如何應用？
一、業(yè)務理解，
問題定義
面對大量的信用卡申請資料，如何根據這些資料的信息和關聯的其它信息，高效地對信用卡申請做出是否批準的判斷，并兼顧產能和風險的平衡，即在風控原則約束的前提下，提升效能。
二、數據理解，
數據畫像
本案例的數據集來自UCI平臺提供的一份公開信用卡申請數據集。數據集的下載和數據集結構以及元數據（數據的數據）描述請訪問如下鏈接：
http://archive.ics.uci.edu/ml/datasets/credit+approval
因為數據集涉及到個人敏感信息，所以數據集的貢獻者對特征名做了匿名化處理以實現數據保密。數據集的結構，可以在后面的代碼里了解。
1、導入Python庫
import?numpy?as?np
import?pandas?as?pd?
import?matplotlib.pyplot?as?plt
from?sklearn.preprocessing?import?LabelEncoder
from?sklearn.preprocessing?import?MinMaxScaler
from?sklearn.model_selection?import?train_test_split
from?sklearn.linear_model?import?LogisticRegression
from?sklearn.metrics?import?confusion_matrix
import?warnings
warnings.filterwarnings('ignore')
%matplotlib?inline
2、數據畫像
cc_apps?=?pd.read_csv("datasets/cc_approvals.data",?header=None)
print(cc_apps.shape)
print(cc_apps.head())
print(cc_apps.dtypes)
print(cc_apps.describe().T)
數據集包括690個觀察，16個特征，特征集都做了匿名化處理。這里有篇博客（詳見參考資料）對數據集的特征含義做了可能性的描述，依次是性別、年齡、債務、婚姻、銀行客戶、教育層次、種族、工作年限、先前違約、職業(yè)、信用評分、駕駛證、公民、郵政編碼、收入和申請狀態(tài)。通過數據畫像的結果，可以發(fā)現數據集包括數值型和非數值型特征，這個問題我們在數據準備階段會做相應處理。
三、數據準備，
數據整理
數據集包括數值型和非數值型特征，數據集跨度范圍不一致，數據集包括一些用?符號表示數據缺失的情況。這些問題，我們都要解決。
首先，做缺失值的檢測和處理。為什么要做這個事情？一方面，可以提升模型的性能，通常情況不建議直接粗暴地刪除含有缺失值的變量或者樣本，因為這樣容易丟失信息；另一方面，有很多算法，不支持數據的缺失的情況。如何處理缺失值。本案例中，數值型變量采用均值插補法；非數值型變量采用眾數插補法。
3、數據缺失值標記，發(fā)現和處理
cc_apps?=?cc_apps.replace("?",np.NaN)
cc_apps?=?cc_apps.fillna(cc_apps.mean())
print(cc_apps.info())
for?col?in?cc_apps.columns:
????if?cc_apps[col].dtypes?==?'object':
????????cc_apps[col]?=?cc_apps[col].fillna(cc_apps[col].value_counts().index[0])
???????
print(cc_apps.isnull().values.sum())
4、非數值型特征處理--標簽編碼
接下來，做非數值型特征處理。為什么要對非數值型特征做處理和轉換？一方面，可以提升計算的速度；另一方面，則是很多算法必須要要求數據集為數值型格式，比方說xgboost算法。如何做非數值型特征處理？本案例，采用標簽編碼的方法。
le?=?LabelEncoder()
for?col?in?cc_apps.columns:
????if?cc_apps[col].dtype=='object':
????????cc_apps[col]=le.fit_transform(cc_apps[col])
5、特征篩選和縮放
第三，做特征篩選和縮放。根據特征的含義和所要解決問題，基于領域知識刪除不需要特征，例如駕駛證和郵政編碼，同時，把特征縮放到一致范圍。
#?刪除不需要的變量
#?同時對特征做縮放處理
cc_apps?=?cc_apps.drop([cc_apps.columns[10],cc_apps.columns[13]],?axis=1)
cc_apps?=?cc_apps.values
X,y?=?cc_apps[:,0:13],?cc_apps[:,13]
scaler?=?MinMaxScaler(feature_range=(0,1))
rescaledX?=?scaler.fit_transform(X)四、模型架構，
模型創(chuàng)建
把數據集整理好后，接下來我們做模型創(chuàng)建的事情，首先，把數據集劃分為訓練集和測試集，然后利用訓練集來構建模型，利用測試集來評價模型的性能。因為本案例的問題是一個典型的二元分類問題，我們假設數據集里面特征與目標變量有一定的關系，我們選擇簡單常用和可解釋的邏輯回歸模型來創(chuàng)建模型。
6、數據集劃分
X_train,?X_test,?y_train,?y_test?=?train_test_split(rescaledX,
????????????????????????????????????????????????????y,
????????????????????????????????????????????????????test_size=0.33,
????????????????????????????????????????????????????random_state=42)
6、模型創(chuàng)建
#?模型創(chuàng)建
logreg?=?LogisticRegression()
logreg.fit(X_train,y_train)
五、模型評價，
性能分析
把創(chuàng)建好的模型，在測試數據集上做模型的性能分析。我們采用模型的準確率和混淆矩陣來評價模型的性能。
y_pred?=?logreg.predict(X_test)
print("模型的準確率:?%.3f"?%?logreg.score(X_test,?y_test))
#?混淆矩陣
confusion_matrix(y_test,?y_pred)
六、模型應用，
指導行動
針對新的的數據集，按著模型構建前的數據加工邏輯（缺失值處理+標簽編碼+數據縮放），做好數據處理后，然后利用構建好的模型對新數據集做預測，對預測的結果做應用，以指導信用卡申請的審批工作。
總結
本案例對信用卡申請是否批準的問題，利用機器學習的方法做了解答，以實現從人工審批過度到自動化審批的操作流程，從而提升審批的效率和客觀一致性。
本案例還有很多地方值得進一步深入思考和挖掘。比方說，文章的標準化是對所有數據集進行處理，這樣是否存在信息泄露問題，有待進一步驗證；邏輯回歸模型的超參數使用了默認值的設定，根據實際問題，是否存有最佳的超參數，也需要做相關的測試工作；模型預測的輸出結果是一個介于0~1的值，然后根據臨界點做比較來標記是否批準，而銀行的實際應用中，需要把這種概率映射為一種分數，利用這種分數來更好地指導業(yè)務的行動等。
關于本案例，你有什么見解或者疑問，請留言或者加入Python群做討論。
附錄：案例完整代碼（需要數據集的朋友可以添加我的個人微信獲取或者從Kaggle平臺下載獲?。?/span>
import?numpy?as?np
import?pandas?as?pd?
import?matplotlib.pyplot?as?plt
from?sklearn.preprocessing?import?LabelEncoder
from?sklearn.preprocessing?import?MinMaxScaler
from?sklearn.model_selection?import?train_test_split
from?sklearn.linear_model?import?LogisticRegression
from?sklearn.metrics?import?confusion_matrix
import?warnings
warnings.filterwarnings('ignore')
%matplotlib?inline
cc_apps?=?pd.read_csv("datasets/cc_approvals.data",?header=None)
print(cc_apps.shape)
print(cc_apps.head())
print(cc_apps.dtypes)
print(cc_apps.describe().T)
cc_apps?=?cc_apps.replace("?",np.NaN)
cc_apps?=?cc_apps.fillna(cc_apps.mean())
print(cc_apps.info())
for?col?in?cc_apps.columns:
????if?cc_apps[col].dtypes?==?'object':
????????cc_apps[col]?=?cc_apps[col].fillna(cc_apps[col].value_counts().index[0])
???????
print(cc_apps.isnull().values.sum())
le?=?LabelEncoder()
for?col?in?cc_apps.columns:
????if?cc_apps[col].dtype=='object':
????????cc_apps[col]=le.fit_transform(cc_apps[col])
????????
????????
cc_apps?=?cc_apps.drop([cc_apps.columns[10],cc_apps.columns[13]],?axis=1)
cc_apps?=?cc_apps.values
X,y?=?cc_apps[:,0:13],?cc_apps[:,13]
scaler?=?MinMaxScaler(feature_range=(0,1))
rescaledX?=?scaler.fit_transform(X)
X_train,?X_test,?y_train,?y_test?=?train_test_split(rescaledX,
????????????????????????????????????????????????????y,
????????????????????????????????????????????????????test_size=0.33,
????????????????????????????????????????????????????random_state=42)
????????????????????????????????????????????????????
????????????????????????????????????????????????????
#?模型創(chuàng)建
logreg?=?LogisticRegression()
logreg.fit(X_train,y_train)
y_pred?=?logreg.predict(X_test)
print("模型的準確率:?%.3f"?%?logreg.score(X_test,?y_test))
#?混淆矩陣
confusion_matrix(y_test,?y_pred)
參考資料
1、案例的數據集的結構描述
http://rstudio-pubs-static.s3.amazonaws.com/73039_9946de135c0a49daa7a0a9eda4a67a72.html
2、LabelEncoder和OneHotEncoder
https://blog.csdn.net/quintind/article/details/79850455
3、邏輯回歸算法
https://ml-cheatsheet.readthedocs.io/en/latest/logistic_regression.html
4、混淆矩陣
https://www.dataschool.io/simple-guide-to-confusion-matrix-terminology/
5、如何處理缺失值
https://machinelearningmastery.com/handle-missing-data-python/
公眾號推薦
數據思踐
數據思踐公眾號記錄和分享數據人思考和踐行的內容與故事。
Python語言群
誠邀您加入
《數據科學與人工智能》公眾號推薦朋友們學習和使用Python語言，需要加入Python語言群的，請掃碼加我個人微信，備注【姓名-Python群】，我誠邀你入群，大家學習和分享。