【视频讲解】数据挖掘实战：Python金融贷款模型分类潜在贷款客户

本文主要是介绍【视频讲解】数据挖掘实战：Python金融贷款模型分类潜在贷款客户，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

全文链接：https://tecdat.cn/?p=37521

原文出处：拓端数据部落公众号

分析师：Hengtao Fan

模型的存在依托于这样一个事实：基于概率的决策乃是最优之选。将概率转化为评分，能够便于对齐风险。而评分则是通过统计的方法来识别潜在客户，进而判断客户是否合乎心意。这里的 “合意” 由我们预先定义，可以涵盖诸如风险、收益率、响应率、续借意愿、违约后的偿还意愿等等诸多方面。

实际上，在业务的一系列环节中均可采用模型方案。当我们谈及风控中有哪些模型可做时，也就相当于在变相探讨业务上有哪些环节能够进行精细化决策。

在金融信贷领域，授信、定价等产品信息会直接左右客户是否选择用信。此外，客户自身的需求程度、竞品授信定价信息、自身经济能力、家庭环境等因素也都会对用信行为产生影响。对于放贷机构而言，在授信额度 / 定价处于允许范围内时（例如额度越高，风险也会相应升高），期望能够提高整体用信率，从而扩大业务规模。如此一来，如果能够提前预测出用户的用信概率，便可以将其用于指导运营活动和授信定价策略，以促进业务的增长。

在这个项目中，我们对如何使用分类模型来分辨客户是否会贷款进行了深入分析。

一、贷款对银行的重要性

贷款对于银行维持业务至关重要。为什么呢？因为货币是银行的产品！银行的主要业务包括吸收存款和发放贷款。存款人和贷款人分别与银行形成特定的关系。

存款人将资金存入银行，银行支付一定的利息（例如 3%）。而贷款人从银行获得贷款，并支付更高的利息（例如 8%）。银行通过这种利息差获取利润。

二、识别银行客户的重要性

（一）有贷款需求的客户
给予更多时间来促成贷款，以获得更有效的客户，增加市场竞争力。

（二）无贷款需求的客户
优先联系以确保时效性，但无需投入过多精力。此类客户价值较低且缺乏竞争力，不确定性较高，应最后联系以减少损失。

三、项目的必要性

对于任何企业来说，创造收入都是至关重要的。银行也是如此，发放贷款是银行获取收入的最重要方式之一。银行需要快速识别有贷款需求的用户，以便确定客户是否会贷款，同时考虑客户属性、贷款属性、联系属性以及社会和经济属性等因素，从而为银行创造收入。

四、业务问题及预期结果

（一）业务问题
准确识别有贷款需求的客户是关键问题。影响因素包括客户违约历史、家庭贷款历史、个人贷款历史、就业环境等。目前，识别有贷款需求客户的比例为 30%，期望未来能达到 90% 以上。

（二）预期结果
期望通过本项目能够识别更多有贷款需求的客户，为银行带来更多收入。

五、分析方法

关键问题是将每个观察对象（客户）分类为两类（会贷款 / 不会贷款）之一，这是一个二元分类问题。采用逻辑回归和决策树两种方法进行分析。

逻辑回归模型：。
决策树：从根节点开始，根据条件进行分支，最终到达叶节点，每个叶节点代表一个分类结果。

两种方法都是为了将每个观察对象准确分类。

六、数据筛选与描述

在建模之前，需要选择满足逻辑回归和决策树数据要求的数据。本项目中，银行特别关注客户属性、贷款属性和宏观环境是否会影响客户的贷款需求。例如，在经济衰退时期，客户更有可能贷款。通过比较箱线图确定相关性，选择相关性高的特征。

七、分析计划

（一）模型构建

数据转换：
- 本数据集无空值。
- 平衡数据。
- 对一些连续特征进行转换，使其值位于 0~1 区间，消除不同取值范围的影响。
- 将输出变量从 “是” 和 “否” 转换为 0 和 1。
- 将数据集分为训练集和测试集。
模型迭代与优化：
- 选择本项目中要使用的变量子集。
- 描述输出（分类）变量的分布（使用柱状图）。
- 报告连续输入变量的均值、中位数和标准差等值。

（二）结果（数据转换）
创建平衡的训练集和测试集，对连续变量进行单位转换，使其值位于 0~1 区间；对分类变量进行因子转换，去除 “未知” 属性；转换输出变量。经过数据平衡和去除未知数据后，若某个变量失去分类意义则将其去除。

八、建议

经济状况对银行贷款业务有至关重要的影响。从两种模型来看，在经济良好时，银行应尽可能多地联系客户（此时客户类型不重要）；在经济衰退时，应避免大规模寻找客户，而应寻找高净值、有贷款需求的个人，如已婚、高学历、无抵押贷款和个人贷款的人，因为他们违约的可能性较低。在经济繁荣时联系更多客户以获取更多利润，在经济低迷时联系更多优质客户，以实现项目目标：识别更多有贷款需求的客户并创造更多收入。

Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户

最近我们被客户要求撰写关于银行拉新活动的研究报告，包括一些图形和统计输出。

项目背景：银行的主要盈利业务靠的是贷款，这些客户中的大多数是存款大小不等的责任客户（存款人）。银行拥有不断增长的客户

该银行希望增加借款人（资产客户），开展更多的贷款业务，并通过贷款利息赚取更多利润。因此，银行希望将负债的客户转换为个人贷款客户。（同时保留他们作为存款人）。该银行去年针对负债客户开展的一项活动显示，成功实现了9％以上的成功转化率。该部门希望建立一个模型，来帮助他们确定购买贷款可能性更高的潜在客户。可以增加成功率，同时降低成本。

数据集

下面给出的文件包含5000个客户的数据（ 查看文末了解数据获取方式 ）。数据包括客户人口统计信息（年龄，收入等），客户与银行的关系（抵押，证券账户等）以及客户对上次个人贷款活动的因变量（个人贷款）。在这5000个客户中，只有480个（= 9.6％）接受了先前活动中提供给他们的个人贷款

data.head()

data.columns

属性信息

属性可以相应地划分：

变量 ID 一个人的客户ID与贷款之间没有关联，也无法为将来的潜在贷款客户提供任何一般性结论。我们可以忽略此信息进行模型预测。

二进制类别具有五个变量，如下所示：

个人贷款-该客户是否接受上一个广告系列提供的个人贷款？这是我们的目标变量
证券帐户-客户在银行是否有证券帐户？
CD帐户-客户在银行是否有存款证明（CD）帐户？
网上银行-客户是否使用网上银行？
信用卡-客户是否使用银行发行的信用卡？

数值变量如下：

年龄-客户的年龄
工作经验
收入-年收入（元）
CCAvg-平均信用卡消费
抵押-房屋抵押价值

有序分类变量是：

家庭-客户的家庭人数
教育程度-客户的教育程度

标称变量是：

ID
邮政编码

data.shape

# 文件中没有列有空数据
data.apply(lambda x : sum(x.isnull()))

两两变量散点图

年龄特征通常是分布的，大多数客户年龄在30岁到60岁之间。
经验大多分布在8年以上经验的客户。这里的平均值等于中位数。有负数。这可能是数据输入错误，因为通常无法衡量负数的工作经验。我们可以删除这些值，因为样本中有3或4条记录。
收入出现正偏斜。大多数客户的收入在45,000到55K之间。我们可以通过说平均值大于中位数来确认这一点
CCAvg 也是一个正偏变量，平均支出在0K到10K之间，大多数支出不到2.5K
抵押 70％的人的抵押贷款少于4万。但是最大值为635K
家庭和教育变量是序数变量。家庭分布均匀

有52条记录经验为负数。在进一步进行之前，我们需要对这些记录进行清理

有52条负数经验的记录

以下代码执行以下步骤：

对于具有ID的记录，获取Age column的值
对于具有ID的记录，获取Education column的值
从具有正数经验的记录的数据框中过滤符合以上条件的记录，并取中位数
将中位数填充原本负数经验的位置

data.loc[np.where(['ID']==id)]["Education"].tolist()[0]
df_filtered['Experience'].median()
# 检查是否有负数经验的记录
data[data['Experience'] < 0]['Experience'].count()

收入和教育对个人贷款的影响

观察：看来教育程度为1的客户收入更高。但是，接受了个人贷款的客户的收入水平相同

推论：从上图可以看出，没有个人贷款的客户和拥有个人贷款的客户的抵押贷款较高。

观察：大多数没有贷款的客户都有证券账户

观察：家庭人数对个人贷款没有任何影响。但是似乎3岁的家庭更有可能借贷。考虑未来的推广活动时，这可能是一个很好的观察结果。

观察：没有CD帐户的客户，也没有贷款。这似乎占多数。但是几乎所有拥有CD帐户的客户也都有贷款

观察：该图显示有个人贷款的人的信用卡平均费用更高。平均信用卡消费中位数为3800元，表明个人贷款的可能性更高。较低的信用卡支出（中位数为1400元）不太可能获得贷款。这可能是有用的信息。

观察上图显示与经验和年龄呈正相关。随着经验的增加，年龄也会增加。颜色也显示教育程度。四十多岁之间存在差距，大学以下的人也更多

# 与热图的关联性corr = data.corr()
plt.figure(figsize=(13,7))
# 创建一个掩码，以便我们只看到一次相关的值a = sns.heatmap(corr,mask=mask, annot=True, fmt='.2f')

观察

收入和CCAvg呈中等相关。
年龄和工作经验高度相关

看下面的图，收入低于10万的家庭比高收入的家庭更不可能获得贷款。

应用模型

将数据分为训练集和测试集

train_labels = train_set
test_labels = test_set

决策树分类器

DecisionTreeClassifier(class_weight=None, criterion='entropy', ...)
dt_model.score
0.9773333333333334
dt_model.predict(test_set)

查看测试集

test_set.head(5)

朴素贝叶斯

naive_model.fit(train_set, train_labels)
naive_model.score
0.8866666666666667

随机森林分类器

randomforest_model.score(test_set,test_labels)
0.8993333333333333

KNN（K-最近邻居）

data.drop(['Experience' ,'ID'] , axis = 1).drop(labels= "PersonalLoan" , axis = 1)
train_set_dep = data["PersonalLoan"]
acc = accuracy_score(Y_Test, predicted)
print(acc)
0.9106070713809206

模型比较

for name, model in models:kfold = model_selection.KFold(n_splits=10)cv_results = model_selection.cross_val_score(model, X, y, cv, scoring)# 箱线图算法的比较
plt.figure()