Lending Club贷款违约预测

项目简介及目标
数据概览
2.1数据来源
2.2数据结构图
2.3数据变量表
2.4离散型数据分布
2.5连续型数据分布
数据处理及特征选择
3.1目标值量化
3.2删除字段
3.3缺失值处理
3.4同值化处理
3.5数据格式转换
3.6标签编码
3.7异常值处理
3.8特征选取
模型建立
4.1数据划分
4.2样本不平衡处理
4.3参数最优
4.4建立模型
模型评估
5.1ROC曲线AUC值
5.2K-S曲线
模型对比
分析总结

1. 项目简介及目标

简介： 贷款申请人向Lending Club平台申请贷款时，Lending Club平台通过线上或线下让客户填写贷款申请表，收集客户的基本信息，同时会借助第三方平台如征信机构或FICO等机构的信息。通过这些信息属性来做线性回归，生成预测模型，Lending Club平台可以通过预测判断贷款申请是否会违约，从而决定是否向申请人发放贷款。
目标：通过预测判断贷款申请是否会违约，从而决定是否向申请人发放贷款。

2. 数据概览

2.1数据来源

数据集是Lending Club平台发生借贷的业务数据（2019年第二季），共有144 个变量，42537条记录。

2.2数据结构图

通过查阅资料，将144个变量进行翻译及分类，主要包括以下几个类型的信息

2.3部分变量表

由于变量太多，仅展示部分变量

2.4离散型数据分布（这里展示的只是部分变量）

目标变量loan_status

从图中可以看出，相对正常样本，违约样本太少，后续应进行样本不平衡处理以提高模型的预测效果

term：贷款时长，值以月为单位，可以是36或60
grade：LC指定贷款等级，LC平台依据多样化的需求，将借贷人分成A－G七个等级，从A到G，贷款的风险越来越高，利率也越来越高。

从图中，我们也可以看出这个趋势。无论是投资人还是借贷者，大多数都是选择较低风险较低收益的类型。

emp_length：工作年限(以年为单位)。可能的值在0到10之间，其中0表示小于一年，10表示10年或更长时间。

工作时长低于1年与10以上的借款人最多，两者的违约比例相差不大。因此，并非工作年限长信用值越高，越靠谱。除此两类，在2-9年，随着工作年限越长，贷款需求越少，有可能是因为收入越来越稳定。

purpose: 借款人为贷款请求提供的类别。

债务整合（举债还债）这类最多。另外３项是：住房改善、汽车、大宗采购，也就是基本生活需求。相对来说，借钱做生意的，违约率较高。

2.5连续型数据分布

dti: 按借款人每月总偿债额与总债务

分期付款金额基本呈的正态分布，说明贷款额度集中在中小额度。
*annual_inc：年度收入

年收入集中在0-10万美元以内，但是也有极高收入（最高达到600万）的借款人。

3. 数据处理

3.1目标值量化

对于目标变量Loan_status有四个分类，分别是Fully Paid、Charged Off、Does not meet the credit policy. Status:Charged Off和Does not meet the credit policy. Status:Fully Paid，后两者是指不符合信用政策的坏账或者完全支付的状态，我们认为是特殊情况的信贷，因此不予考虑，当缺失值处理，同时用1代表charge off（违约），0代表fully paid（完全支付）

3.2删除字段

由于项目目的是提前预测贷款申请入是否违约，所以需要剔除属于贷款发放后的数据信息。
诸如个人ID、地址、URL地址以及日期等信息，主观判断其对是否违约影响甚微。
当字段缺失值过多时，将会不利于预测模型的拟合结果。故将缺失值超过70%的字段剔除。

#删除贷后信息
drop_lable = ['collection_recovery_fee','initial_list_status','installment','last_pymnt_amnt','last_pymnt_d','loan_amnt',
             'next_pymnt_d','out_prncp','out_prncp_inv','policy_code','pymnt_plan','recoveries','total_pymnt','total_pymnt_inv','total_rec_int','total_rec_late_fee',
             'total_rec_prncp','sec_app_earliest_cr_line','sec_app_mort_acc','settlement_date','settlement_amount','settlement_percentage','settlement_term',
              'sub_grade','emp_title','zip_code','title','desc','last_credit_pull_d','addr_state','issue_d','earliest_cr_line']
Loan_data.drop(columns = drop_lable,axis = 1,inplace = True)
# 删除缺失值超过70%的列
Loan_data.dropna(thresh = len(Loan_data)*0.7,axis = 1,inplace = True)

3.3缺失值处理

对于其他含有缺失值的字段，本次项目采用的方法是删除所有含有空值的记录。主要原因是所使用的数据集有充足的记录，删除少许记录对于模型的建立没有太大的影响，而如果采用平均值、众数或者中位数来填充空值，会使得样本的真实性下降，使建模效果变差。
另外，在删除的记录中，违约记录与正常记录为364:1460，违约记录的占比较低，因此认为对建模效果不会产生太大的影响。

# 删除存在缺失值的行
Loan_data.dropna(axis = 0,inplace = True)

3.4同值化处理

如果一个变量大部分的观测都是相同的特征，那么认为此类特征变量无法显著区分目标变量，可以考虑将其删除。根据排序结果，保留前三个的变量。

3.5数据格式转换

由于部分所选的数据特征存在百分号或是其他字符，需要对其进行数据格式的转换，为后续分析做准备。

#特征格式变换
Loan_data['term'] = Loan_data['term'].str.replace(' months','').astype('float')
Loan_data['int_rate'] = Loan_data['int_rate'].str.replace('%','').astype('float')
Loan_data['revol_util'] = Loan_data['revol_util'].str.replace('%','').astype('float')

3.6标签编码

因项目所采用随机森林与逻辑回归模型不支持字符型的数据变量，故对此类变量进行编码。为了使所研究的数据清晰简洁，本文采用类别标签方法对下图所示数据变量进行标签化编码。

# 标签编码
le_dict = {
    'emp_length':{
        '< 1 year':0,
        '1 year':1,
        '2 years':2,
        '3 years':3,
        '4 years':4,
        '5 years':5,
        '6 years':6,
        '7 years':7,
        '8 years':8,
        '9 years':9,
        '10+ years':10
    },
    'grade':{
        'A':1,
        'B':2,
        'C':3,
        'D':4,
        'E':5,
        'F':6,
        'G':7
    },
    'home_ownership':{
        'MORTGAGE':1,
        'RENT':2,
        'OTHER':3,
        'OWN':4,
        'NONE':5
    },
    'verification_status':{
        'Not Verified':1,
        'Source Verified':2,
        'Verified':3
    },
    'purpose':{
        'car':1,
        'credit_card':2,
        'small_business':3,
        'other':4,
        'wedding':5,
        'debt_consolidation':6,
        'home_improvement':7,
        'major_purchase':8,
        'moving':9,
        'vacation':10,
        'house':11,
        'medical':12,
        'renewable_energy':13,
        'educational':14,
    },
    'debt_settlement_flag':{
        'N':1,
        'Y':2
    }
}
Loan_data = Loan_data.replace(le_dict)

3.7 异常值处理

格式转换之后发现revol_util字段有些许值大于100，按理说这个变量的值不应该超过100，所以将超过100的异常记录删除。

Loan_data.drop(Loan_data[Loan_data['revol_util'] > 100].index,inplace = True)

3.8 特征提取

本项目将利用多重共线性+VIF值进行变量筛选，利用随机森林进行特征选择
通过相关系数矩阵得到高于0.8的三对变量如下图：

随机森林重要性排序结果如下，剔除重要系数小于0.01的变量：

具体步骤: 首先剔除相关系数大且VIF值大的变量，计算剔除变量后的VIF，再重复上面原则，步骤简单但是一步一步图太多，就直接说结果吧。经过3.7步前的操作，剩余21个变量，经过多重共线性筛选剩余17个变量，经过随机森林重要性筛选得到16个变量（不包括目标变量）。

4. 模型建立

4.1数据划分

本次项目我们采用交叉验证法划分数据集，将数据划分为训练集、验证集和测试集，让模型在训练集上进行学习，在验证机上进行参数调优，最后使用测试集数据评估模型的性能。
将样本数据以7:3的比例进行训练集和测试集的划分。

4.2样本不平衡处理

上面我们提到过正负例样本不平衡，我们对训练集进行上采样，得到训练模型，并在测试集上进行检验。本次上采样采用SMOTE算法

# SMOTE算法平衡数据,种子数=2
sm=SMOTE(random_state=2)
x,y=sm.fit_sample(x_train,y_train)
print("通过SMOTE方法后平衡的正负样本")
n_sample=y.shape[0]
n_pos_sample=y[y==1].shape[0]
n_neg_sample=y[y==0].shape[0]
# print("样本个数：{}；正样本{:.2%};负样本{:.2%}".format(n_sample,n_pos_sample/n_sample,n_neg_sample/n_sample))

4.3参数最优—网格搜索法

模型调优我们采用网格搜索调优参数，通过构建参数候选集合，网格搜索会穷举各种参数组合，根据设定评分机制找到最好的一组参数。本次我们得到最优超参数C为0.1，惩罚项为l1正则。

# 网格搜索，并使用5折交叉验证获取最优参数值（选择标准“auc”最大）,logistic模型随机数种子=2
penaltys = ["l1","l2"]
Cs = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
tuned_parameters = dict(penalty = penaltys, C = Cs)
lr_penalty= LogisticRegression(random_state=2)
grid= GridSearchCV(lr_penalty, tuned_parameters,cv=5, scoring='roc_auc')
grid.fit(x_train,y_train) #运行
print(u'最优超参数为：',grid.best_params_) 
grid.best_score_  #最好的分数

4.4模型建立

由于本次项目目的是为了预测贷款申请人是否会违约，属于分类问题且为二分类预测，因此采用逻辑回归。我们之前设违约为1，全额付清为0，利用违约的概率与不违约的概率进行比值然后取对数，构造该变量与各变量间的模型。

model = LogisticRegression(C=0.1,penalty='l1',random_state=2)
model.fit(x_train, y_train)

5. 模型评估

精确率、召回率及F1值

样本	精确率	召回率	F1值
训练集	0.597	0.500	0.464
测试集	0.788	0.501	0.466

ROC曲线及AUC值

样本	AUC值
训练集	0.685
测试集	0.692

K-S曲线
k-s曲线能够直观地看出是否违约事件的区分程度，ks值越大，表示模型能够将正、负客户区分开的程度越大。通常来讲，ks值大于0.2表示模型有较好的预测准确性，逻辑回归的ks值为0.27，说明该模型是可行的。

6. 模型对比

对于分类问题，决策树也有较好的预测效果，因此我们将处理好的数据用决策树算法进行预测，结果发现利用基尼系数划分节点时，深度为4的树训练出来的模型，在测试集上的精确率为0.43，AUC值达到0.671，ks值为0.26，说明模型能够区分正负客户区，但是从auc值和ks值看，决策树的预测效果并没有逻辑回归好，所以逻辑回归模型的预测效果还是不错的。

7. 分析总结

在特征选择方面，我们最终留下16个特征，包括贷前贷款申请信息6个，分别是grade、term、dti、funded_amnt、purpose、verification_status，个人信息3个，分别是annual_inc、emp_length、home_ownership，借款账户信息2个，分别是open_acc、total_acc，循环账户信息2个，分别是revol_bal、revol_util，行为信息、历史违约及社会信用各1个，分别是inq_last_6mths、delinq_2yrs、pub_rec。贷前贷款申请信息和个人信息占比超过50%，这说明贷款申请人填写申请表是很有必要的，另外通过随机森林算法我们可以得到影响违约最重要的前5个变量是LC指定的贷款等级、年度收入、借款人相对于所有可用循环信贷的信贷金额、贷款时长、借款人每月总偿债额与总债额之比，其中年度收入与目标变量是正相关的，也就是说，借款人的年收入越高，违约的优势比越低，而其他四个变量的值越大或等级越高，违约的优势比也越大，因此要着重注意借款人的这些信息.
在模型方面，我们采用了逻辑回归和决策树2种算法进行预测，虽然2个模型的ks值都超过了0.2，但是决策树的预测效果并没有逻辑回归靠谱。逻辑回归模型的AUC值为0.69，k-s值为0.27，说明模型是可行的且是可靠，因此我们建议采用逻辑回归的模型进行贷款违约预测。

结束语

本项目为个人学习成果，若有不对之处，还请各位读者给予指正~

原文链接：https://blog.csdn.net/weixin_44064888/article/details/100183425

目录