lightgbm与贷款违约预测项目
lightgbm
- histogram算法
- 将连续的浮点值离散成k个离散值,构造宽度为k的histogram
- leaf-wise生长策略
- 每次在所有叶子中找到分裂增益最大的一个叶子,一般也是数据量最大的
参数
- num_leaves 叶节点数目,<=2^(max_depth)
- max_depth [1]
调参
- hyperopt:自动获取最佳的超参数。
pip install hyperopt
import hyperopt def hyperopt_objective(params): model=lgb.LGBMRegressor(
num_leaves=31,learning_rate=0.1,n_estimators=int(params["n_estimators"]),max_depth=int(params["max_depth"]),objective="binary",eval_metric="auc")
res=lgb.cv(model.get_params(),train_matrix,nfold=5,early_stopping_rounds=10,metrics="auc")
return -max(res["auc-mean"])
定义一个目标函数hyperopt_objective,由于fmin返回最小值,因此用-auc
params_space={
"n_estimators":hyperopt.hp.randint("n_estimators",300),
"max_depth":hyperopt.hp.randint("max_depth",8) }
定义搜索空间:
hp.uniform(label,low,high)参数在low和high之间均匀分布; hp.quniform(label,low,high,q)参数的取值是round(uniform(low,high)/q)*q,适用于那些离散的取值 hp.randint(label,upper)返回一个在[0,upper)前闭后开的区间内的随机整数。
trials=hyperopt.Trials()
best=hyperopt.fmin(hyperopt_objective,space=params_space,algo=hyperopt.tpe.suggest,
max_evals=10,trials=trials)
在搜索空间内搜索
- hyperopt:自动获取最佳的超参数。
阿里天池大赛:金融风控-贷款违约预测
- 导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"#显示全部行输出结果
2. 导入数据
train=pd.read_csv("/风控/train (1).csv")
train.head()#默认显示前五行
train.shape
train.columns#查看字段信息
3. 区分离散型和连续型变量
numerical_columns=['id', 'loanAmnt', 'term', 'interestRate', 'installment', 'employmentTitle', 'homeOwnership',
'annualIncome', 'verificationStatus',
'purpose', 'postCode', 'regionCode', 'dti', 'delinquency_2years',
'ficoRangeLow', 'ficoRangeHigh', 'openAcc', 'pubRec',
'pubRecBankruptcies', 'revolBal', 'revolUtil', 'totalAcc',
'initialListStatus', 'applicationType', 'title',
'policyCode', 'n0', 'n1', 'n2', 'n3', 'n4', 'n5', 'n6', 'n7', 'n8',
'n9', 'n10', 'n11', 'n12', 'n13', 'n14']
def featype(data,feature):
numerical_continus=[]
numerical_discrete=[]
for fea in feature:
count=data[fea].nunique() #返回唯一值的个数
if count>10:
numerical_continus.append(fea)
else:
numerical_discrete.append(fea)
return numerical_continus,numerical_discrete
numerical_continus,numerical_discrete=featype(train,numerical_columns)
numerical_continus
numerical_discrete
4. 处理字符型变量apply
employmentlength_dict={"10+ years":10,"2 years":2,"< 1 year":0,"1 year":1,"5 years":5,"4 years":4,"6 years":6,"8 years":8,"7 years":7,"9 years":9,"3 years":3}
def func4(m):
m["employmentlength_dict"]=m["employmentLength"].apply(lambda x:x if x not in employmentlength_dict else employmentlength_dict[x])
return m
train=func4(train)
def func(x):
month,year=x.split("-")
month_dict={"Aug":8,"Nov":11,"Feb":2,"Jan":1,"Mar":3,"Jul":7,"Oct":10,"Jun":6,"Apr":4,"Sep":9,"May":5,"Dec":12}
month_dict=month_dict[month]
earlistdate=int(year)*12+int(month_dict)
return earlistdate
train["earlistdate"]=train["earliesCreditLine"].apply(lambda x:func(x))
def func2(x):
year,month,day=x.split("-")
final_date=int(year)*12+int(month)
return final_date
train["issueDate_dict"]=train["issueDate"].apply(lambda x:func2(x))
train[["subGrade","interestRate","grade"]].corr()#subgrade grade 为object
def func3(x):
tmp=x[["subGrade"]].sort_values(["subGrade"]).drop_duplicates()
tmp["subgrade_dict"]=range(len(tmp))
x=x.merge(tmp,on="subGrade",how="left")
tmp1=x[["grade"]].sort_values(["grade"]).drop_duplicates()
tmp1["grade_dict"]=range(len(tmp1))
x=x.merge(tmp1,on="grade",how="left")
return x
train=func3(train)
5.填充空值:离散型用众数,连续型用中位数
#查看变量缺失值占比
d=(train.isnull().sum()/train.shape[0]).to_dict()
d
(train.isnull().sum()/train.shape[0]).plot.bar()
train[numerical_continus]=train[numerical_continus].fillna(value=train[numerical_continus].median())
train[numerical_discrete]=train[numerical_discrete].fillna(value=train[numerical_discrete].mode())
category=["employmentlength_dict","subgrade_dict","grade_dict","issueDate_dict",'earlistdate']
train[category]=train[category].fillna(train[category].mode())
6. 参数优化
import lightgbm as lgb
from sklearn.model_selection import train_test_split
x=train.drop(["grade","subGrade","employmentLength","issueDate","earliesCreditLine","isDefault"],axis=1)
y=train["isDefault"]
# 数据集划分
x_train, x_val, y_train, y_val = train_test_split(x, y, test_size=0.2)
train_matrix = lgb.Dataset(x_train, label=y_train)
valid_matrix = lgb.Dataset(x_val, label=y_val)
import hyperopt
def hyperopt_objective(params):
model=lgb.LGBMRegressor(num_leaves=31,learning_rate=0.1,n_estimators=int(params["n_estimators"]),max_depth=int(params["max_depth"]),objective="binary",eval_metric="auc")
res=lgb.cv(model.get_params(),train_matrix,nfold=5,early_stopping_rounds=10,metrics="auc")
return -max(res["auc-mean"])
params_space={
"n_estimators":hyperopt.hp.randint("n_estimators",300),
"max_depth":hyperopt.hp.randint("max_depth",8)
}
trails=hyperopt.Trials()
best=hyperopt.fmin(hyperopt_objective,space=params_space,algo=hyperopt.tpe.suggest,max_evals=10,trials=trails)
print(best)
```{'max_depth': 6, 'n_estimators': 237}
7. 训练模型
params = {
'boosting_type': 'gbdt',
'objective': 'binary',
'learning_rate': 0.1,#较小的学习率,较大的决策树个数
"n_estimators":237,
'metric': 'auc',
'num_leaves': 31,
'max_depth': 6,#树的最大深度,防止过拟合
'feature_fraction': 1, #每次选择所有的特征训练树
'bagging_fraction': 1,
}
"""使用训练集数据进行模型训练"""
model = lgb.train(params, train_set=train_matrix, valid_sets=valid_matrix, num_boost_round=20000, verbose_eval=1000, early_stopping_rounds=200)
8. 数据预测
test=pd.read_csv("C:/Users/廖言/Desktop/新建文件夹/努力学习天天向上/风控/testA.csv")
test.head()
#数据处理
test=func4(test)
test["earlistdate"]=test["earliesCreditLine"].apply(lambda x:func(x))
test["issueDate_dict"]=test["issueDate"].apply(lambda x:func2(x))
test=func3(test)
#空值填充
test[numerical_continus]=test[numerical_continus].fillna(value=test[numerical_continus].median())
test[numerical_discrete]=test[numerical_discrete].fillna(value=test[numerical_discrete].mode())
test[category]=test[category].fillna(test[category].mode())
test2=test.drop(["grade","subGrade","employmentLength","issueDate","earliesCreditLine"],axis=1)
#数据预测
test["isDefault"]=model.predict(test2)
#数据输出
test.to_csv("C:/Users/廖言/Desktop/新建文件夹/努力学习天天向上/风控/output3.csv")
树的深度是从根点到叶子节点的结点数,叶子节点是没有左右孩子的结点。
- n_estimators 迭代次数=决策树个数
- bagging_fraction 每次迭代用的数据比例,小比例加快训练速度,减小过拟合
- feature_fraction 每次迭代用的特征比例
- min_data_in_leaf 每个叶节点的最少样本数量,设置一个较大的数可以处理过拟合 ︎
lightgbm与贷款违约预测项目的更多相关文章
- Lending Club—构建贷款违约预测模型
python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_camp ...
- Datawhale 人工智能培养方案
版本号:V0.9 阅读须知 每个专业方向对应一个课程表格 课程表格里的课程排列顺序即为本培养方案推荐的学习顺序 诚挚欢迎为本培养方案贡献课程,有意向的同学请联系Datawhale开源项目管理委员会 本 ...
- R语言-来自Prosper的贷款数据探索
案例分析:Prosper是美国的一家P2P在线借贷平台,网站撮合了一些有闲钱的人和一些急用钱的人.用户若有贷款需求,可在网站上列出期望数额和可承受的最大利率.潜在贷方则为数额和利率展开竞价. 本项目拟 ...
- kaggle 欺诈信用卡预测——Smote+LR
from:https://zhuanlan.zhihu.com/p/30461746 本项目需解决的问题 本项目通过利用信用卡的历史交易数据,进行机器学习,构建信用卡反欺诈预测模型,提前发现客户信用卡 ...
- 基于Spark.NET和ML.NET Automated ML (自动学习)进行餐厅等级的检查预测
简介 Apache Spark是一个开源.分布式.通用的分析引擎.多年来,它一直是大数据生态系统中对大型数据集进行批量和实时处理的主要工具.尽管对该平台的本地支持仅限于JVM语言集,但其他通常用于数据 ...
- 数据挖掘项目之---通过对web日志的挖掘来实现内容推荐系统
先说一说问题,不知道大家有没有这样的经验,反正我是经常碰到. 举例1,某些网站每隔几天就发邮件给我,每次发的邮件内容都是一些我根本不感兴趣的东西,我不甚其扰,对其深恶痛绝. 举例2,添 ...
- 由Kaggle竞赛wiki文章流量预测引发的pandas内存优化过程分享
pandas内存优化分享 缘由 最近在做Kaggle上的wiki文章流量预测项目,这里由于个人电脑配置问题,我一直都是用的Kaggle的kernel,但是我们知道kernel的内存限制是16G,如下: ...
- 【SVM】kaggle之澳大利亚天气预测
项目目标 由于大气运动极为复杂,影响天气的因素较多,而人们认识大气本身运动的能力极为有限,因此天气预报水平较低,预报员在预报实践中,每次预报的过程都极为复杂,需要综合分析,并预报各气象要素,比如温度. ...
- Python爱好者社区历史文章列表(每周append更新一次)
2月22日更新: 0.Python从零开始系列连载: Python从零开始系列连载(1)——安装环境 Python从零开始系列连载(2)——jupyter的常用操作 Python从零开始系列连载( ...
- 【干货】Kaggle 数据挖掘比赛经验分享(mark 专业的数据建模过程)
简介 Kaggle 于 2010 年创立,专注数据科学,机器学习竞赛的举办,是全球最大的数据科学社区和数据竞赛平台.笔者从 2013 年开始,陆续参加了多场 Kaggle上面举办的比赛,相继获得了 C ...
随机推荐
- python_基础_习题集(10.25更新)
一.文件 1.利用文件充当数据库编写用户登录.注册功能 文件名称:userinfo.txt 基础要求: 用户注册功能>>>:文件内添加用户数据(用户名.密码等) 用户登录功能> ...
- 软件工程日报三——创建一个简单app和SDK的介绍
昨天讲安卓studio和gradle等软件和环境都配置成功,今天开始创建第一个app. 一.打开Android studio,创建一个新文件,点击File,选择New Project里面的Empty ...
- Nginx的重写功能——Rewrite
Nginx的重写功能--Rewrite https://huaweicloud.csdn.net/63566cced3efff3090b5f470.html?spm=1001.2101.3001.66 ...
- 使用nodejs中遇到的问题
1.post请求必须使用express的一个中间件body-parser一下不然req.body会一直为空 2.node.js这种东西后端跨域就行,前端就别跨域了,不然会一直报错 3.sql语句那个s ...
- kali上的apache2
之前总是疑惑为什么kali上的apache服务称之为apache2,但是也没想到去找找答案,今天突然想到了,简单搜索了一下大致就是, 现在Apache HTTP 存在三种版本, 1.3 2.0 和2. ...
- docker 操作常用命令
镜像 #以tomcat为基础镜像创建一个容器,容器名为my-tomcat #拉取tomcat最新镜像,实际生产中,docker pull 这一步可以省略,docker run的时候会自己去拉取. do ...
- Element--->>>最新骨架屏Skeleton使用
首先,Element在最近的一次更新中(时间:2021-06-29) 新增了Skeleton骨架屏组件.Empty空状态组件. 那么在使用其自带组件Skeleton时,应将按照如下步骤使用: Ⅰ:如果 ...
- Excel error - the macros in this project are disabled, please refer to the online help or documentation of the host application to determine how to enable macros.
alt+F11 进入vba界面,F5运行macro后报错. Sub 合并当前工作簿下的所有工作表() Application.ScreenUpdating = False For j = 1 To S ...
- Installation requirements for DB2 UDB 8.1 Enterprise Servers
UDB 8 Install HomeUppre-UDB 8 InstallUDB 8 Install Addendum Steps to do before/after applying a DB ...
- vuex记录
vuex就是vue中管理状态的地方,控制着组件之间的数据: 5大核心,通常只要有state和mutation就能满足vuex最基本的需求 1.state 项目存放各种状态的地方 2.mutation ...