贷款违约预测竞赛数据，是个人的金融交易数据，已经通过了标准化、匿名处理。包括200000样本的800个属性变量，每个样本之间互相独立。每个样本被标注为违约或未违约，如果是违约则同时标注损失，损失在0-100之间，意味着贷款的损失率。未违约的损失率为0，通过样本的属性变量值对个人贷款的违约损失进行预测建模。数据来自英国帝国理工大学。
2021-11-24 14:53:08
581.69MB
1
本项目通利用Kaggle平台predict-loan-defaulters 贷款数据，通过逻辑回归模型来对这些数据进行预测判断，构建贷款违约预测模型，建立预测模型，预测正处于贷款期间的人的违约的概率 。在贷款管理方面，如果可以通过构建量化模型对客户的信用等级进行一定的区分。得知了每个账户的违约概率后，可以预估一下未来的坏账比例，及时做好资金安排。也可以对违约概可能性较高的客户进行更加频繁的“关怀”，及时发现问题，以避免损失。
在这个量化模型中，被解释变量为二分类变量，因此需要构建一个排序类分类模型。而排序类分类模型中常使用的算法是逻辑回归。
2021-11-23 17:15:09
365KB
1
赛题信息：车贷资产由于进入门槛低、借款额度低、流动性高、限期短等优点，但做好风险防控依然是行业的主要问题之一。国内某贷款机构就面临了这样的难题，该机构的借款人往往拖欠还款或拒不还款，导致该机构的不良贷款率居高不下。
数据是真实数据脱敏上传因此有很强的代表性，非常适合练手。
本次比赛的评估指标是F1，也是相当的有代表性
2021-10-14 14:04:43
10.04MB
UCI Statlog (German Credit Data) 原始数据集
2021-10-08 10:36:20
26KB
1
https://www.kaggle.com/c/loan-default-prediction
2021-09-22 18:18:45
183.41MB
1