零基础入门金融风控-贷款违约预测-Task01

        有幸参加了阿里云举办的零基础入门金融风控-贷款违约预测训练营。收获颇多。

        每天记录一些自己之前的知识盲点，需经常温习。

一、赛题理解：

        该赛题是金融风控中关于贷款违约情况的预测。盲猜是个机器学习中监督学习的分类问题。从训练集和测试集的对比中可以得到标签label的字段。

1、首先观察训练集train.csv和testA.csv，将train.csv和testA.csv的shape分别打印出来，发现居然train.shape的列数比testA.shape的列数少两列。这不科学啊~

结果发现里面的n2有很多重复内容，果断删除~

删除以后的结果：

这次就对了，train.shape的列数比testA.shape的列数刚好多一个。通过对比得出，label即为isDefault。

是一个明显的二分类问题，0和1两类。但是目前还不清楚0和1分别代表什么。

2、小组开会，分析了各个字段，得出的结论：

 3、评测标准

        二分类问题很自然可以联想到混淆矩阵，进而有准确率、精确率、召回率、F1值、PR曲线、ROC曲线等一系列指标。其中，ROC曲线下的面积称为AUC（Area Under Curve，曲线下面积），该值介于0.5~1之间，且越大越好。

        天池赛题的评价标准恰好为AUC指标。计算AUC值需要sklearn.metric中的roc_auc_score函数。

        为了赛题的可解释性，需要将数据进行可视化，并且尽可能计算出相关的数据，逐步分析结果。

4、结果提交格式

        结果提交格式保留了传统的天池比赛和Kaggle比赛的提交形式，采用.csv格式进行提交。第一列为id，第二列为预测的label，即isDeafult。

        有一点需要注意，不能用pandas自动生成的index。故生成.csv文件的代码应为：pd.to_csv('submission.csv', index = False)。

5、个人关于本次比赛的初步想法        

        赛题含有强烈的金融行业的垂直属性，还需要咨询相关行业的专家分析各个字段的含义，明确可以删除的列，需要填充的列。这个训练集的特征工程比较难，且很费时。是块儿最难啃的骨头。

        二分类可选的模型很多。可以考虑先采用逻辑回归LR做个baseline形式的代码，然后逐步通过KNN、SVM、GBDT和XGBoost等算法进行训练、预测。