基于随机森林的信用卡满意度模型预测

本文介绍了如何利用机器学习技术构建信用评分模型，以帮助金融机构评估借款人的信用风险并做出贷款决策。文章首先从数据预处理开始，包括数据读取、清洗和特征工程，以确保数据质量和适用性。接着，通过可视化分析了贷款金额、贷款等级和贷款状态等关键特征，以便更好地理解数据。随后，使用随机森林分类器进行模型训练，并评估了模型在测试集上的性能，包括准确率、精确率、召回率和F1值等指标。最终，通过优化模型并展望未来的研究方向，为金融业务的发展提供了重要参考。

1、数据读取：我们使用 Pandas 库从 CSV 文件中读取数据集，其中包含了个人贷款信息。

def read_data_from_csv():
    # 读取数据
    data = pd.read_csv("data/new_file.csv").sample(n=20000,random_state=42)
    return data

2、数据清洗：我们删除了一些与建模无关的特征，如 ‘id’、‘url’、‘desc’、‘member_id’ 等。

    # 删除无关特征，如id，url等
    data.drop(['id', 'url', 'desc', 'member_id'], axis=1, inplace=True)

3、处理缺失值：我们使用均值填充了数值型特征中的缺失值，并使用线性插值方法填充了剩余的缺失值。

# 处理缺失值
    # data.dropna(inplace=True)
    # df = data.fillna(data.mean())
    # df.replace([np.inf, -np.inf], np.nan, inplace=True)
    # df = df.fillna(df.mean())
    nan_values = data.isnull().values.any()
    print(nan_values)

    inf_values = data[data == np.inf].values.any()
    print(inf_values)
    # 使用均值填充 NaN 值
    data.fillna(data.mean(), inplace=True)

    # 在数据中估算 NaN 值填充
    data.interpolate(method='linear', inplace=True)

4、特征工程：我们对日期特征进行了处理，计算了贷款发放月份与最早信用账户开设月份之间的差值，并对类别型特征进行了编码。

def data_feature(data):

    # 处理日期特征
    data['earliest_cr_line'] = pd.to_datetime(data['earliest_cr_line'])
    data['issue_d'] = pd.to_datetime(data['issue_d'])

    # 创建新特征：贷款发放月份与最早信用账户开设月份之间的差值
    data['credit_hist'] = (data['issue_d'] - data['earliest_cr_line']).dt.days

    # 删除日期特征
    data.drop(['earliest_cr_line', 'issue_d'], axis=1, inplace=True)

    # 对类别型特征进行编码
    cat_cols = data.select_dtypes(include=['object']).columns
    le = LabelEncoder()
    for col in cat_cols:
        data[col] = le.fit_transform(data[col])

    return data

数据可视化与分析

在构建模型之前，我们对数据进行了可视化分析，以更好地理解数据的分布和特征之间的关系。

1、贷款金额的分布可视化：我们绘制了贷款金额的直方图，以了解贷款金额的分布情况

def loan_amount(df):
    # 直方图
    plt.figure(figsize=(10, 6))
    sns.histplot(df['loan_amnt'], bins=30, kde=True, color='skyblue')
    plt.title('Loan Amount Distribution')
    plt.xlabel('Loan Amount')
    plt.ylabel('Frequency')
    plt.show()

在这里插入图片描述

2、贷款等级的分布可视化：我们绘制了贷款等级的柱状图，以了解不同等级贷款的分布情况。

def grade_distribution(df):
    # 柱状图
    plt.figure(figsize=(10, 6))
    df['grade'].value_counts().plot(kind='bar', color='lightgreen')
    plt.title('Grade Distribution')
    plt.xlabel('Grade')
    plt.ylabel('Frequency')
    plt.show()

在这里插入图片描述

3、不同贷款状态下年收入的箱线图：我们绘制了不同贷款状态下年收入的箱线图，以了解贷款状态与年收入之间的关系。

def loan_status(df):
    # 箱线图
    plt.figure(figsize=(10, 6))
    sns.boxplot(x='loan_status', y='annual_inc', data=df)
    plt.title('Annual Income Distribution by Loan Status')
    plt.xlabel('Loan Status')
    plt.ylabel('Annual Income')
    plt.show()

通过这些可视化分析，我们对数据的特征有了更深入的理解，为后续模型的构建提供了帮助。
在这里插入图片描述

使用热力图展示了不同特征之间的相关性强弱，相关性热力图可以帮助我们理解特征之间的线性相关性

def coolwarm(preprocessed_df):
    # 热力图
    plt.figure(figsize=(12, 8))
    corr = preprocessed_df.corr()
    sns.heatmap(corr, cmap='coolwarm', annot=False)
    plt.title('Correlation Heatmap')
    plt.show()

在这里插入图片描述

模型训练与评估

在数据预处理和分析之后，我们使用随机森林分类器对数据进行了训练，并评估了模型在测试集上的性能。

def model_train_main(data):
    # 划分特征和目标变量
    X = data.drop('loan_status', axis=1)
    y = data['loan_status']

    # 数据标准化
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

    # 模型训练
    rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
    rf_model.fit(X_train, y_train)

    # 预测
    y_pred = rf_model.predict(X_test)

    # 评估模型
    accuracy = accuracy_score(y_test, y_pred)
    print("Accuracy:", accuracy)
    print("Classification Report:\n", classification_report(y_test, y_pred))

在这里插入图片描述

结论与展望

通过本文的介绍，我们完成了一个基于机器学习的信用评分模型的构建与分析过程。该模型可以作为金融机构评估借款人信用风险的重要工具，为贷款决策提供参考。未来，我们可以进一步优化模型，探索更多的特征工程方法和机器学习算法，以提高模型的准确性和稳健性。
如有遇到问题可以找小编沟通交流哦。另外小编帮忙辅导大课作业，学生毕设等。不限于python，java，大数据，模型训练等。
在这里插入图片描述