kaggle “give me some credit”数据集

支付模块用作多个支付网关的代理。 目前，它仅支持和Xendit 和 。 对其他渠道的支持将逐步增加。 该付款代理是我用于的付款服务。 认为这可能对帮助其他人很有用，以便他们可以尽快开始接受资金，因此我决定将该模块开源。 查看目录 Xendit 应用秘密 数据库 Midtrans凭证 Xendit凭证 配置文件 强制环境变量 范例程式码 API用法 贡献 执照 支持的支付渠道 通常，此付款代理可以通过以下渠道支持付款： 信用卡，OVO，银行转帐的定期付款 分期付款和不分期付款的信用卡付款 电子钱包（GoPay，OVO，Dana，LinkAja） 零售店（Alfamart，Alfamidi，Dan + Dan） 无卡信用（Akulaku） 通过虚拟帐户（BCA，BNI，BRI，Mandiri，Permata，其他银行）进行银行转帐。 :red_exclamation_mark: 仅通过XenditInvoice支持定

Home Credit 违约风险 - Kaggle 竞赛 https://www.kaggle.com/c/home-credit-default-risk/code 背景 在Kaggle Home Credit 违约风险竞赛中，参与者试图从应用程序、人口统计和历史信用行为数据中预测客户未来的支付行为。由于我在金融方面的学术背景，我想尝试一下信用风险数据集，这似乎是一个有趣的挑战。 0.8 的 ROC AUC 足以跻身本次比赛的获胜者之列，所以这就是我的目标。我想在这个数据集上尝试一些新方法，例如使用自动编码器进行特征缩减。 当前状态 主数据集包含 120 个特征和一个二进制目标变量。使用补充数据集，我能够将独立特征数增加到 1400 多个。我进行手动特征选择以将维度降低到 290 个最重要的特征。我目前正在使用自动编码器来替代手动特征选择。 使用 LightGBM，我能够获得超过 0.78 的 ROC AUC。现在我将不得不进行超参数调整以改进这个结果。

信用风险建模和记分卡开发 全面的信用风险模型和记分卡，使用来自Lending Club的数据 可以在找到解释模型的中篇文章

这是一个信用评分卡模型数据，需要自取啊

此数据集包含有关2005年4月至2005年9月台湾地区信用卡客户的默认付款，人口统计因素，信用数据，付款历史和账单的信息。该数据可用于探讨拖欠还款的概率如何随不同人口统计学变量的类别而变化以及哪些变量是拖欠付款的最强预测因素。 UCI_Credit_Card.csv

为了方便付款和无分类，如今信用卡付款已变得非常流行。 从我们的银行帐户中，我们可以直接在线支付款项。 尽管采用这种简单的付款方式，但它仍具有欺诈的缺点。 未授权人员访问其他人的银行详细信息称为入侵者。 这些入侵者还可以访问一些未经授权的交易。 为了防止这种情况，我们需要一些强大的机制。 在本文中，我们使用了三种不同的分类算法（逻辑回归，随机森林和支持向量）进行欺诈检测，并将发现这三种算法的准确性比较。

german_credit_python 用于预测贷款违约的Logistic回归Python模型。 在德国信用数据数据集上对模型进行了训练。 logreg_classifier.pickle是训练有素的模型工件。 包括评分函数的样本输入（ df_baseline.json ， df_sample.json ）。 模型代码包括用于计算“组”和“偏差”指标的指标函数。 指标函数期望一个DataFrame至少具有以下三列和三列： score （预测）， label_value （实际）和gender （受保护的属性）。 包括指标功能的样本输入（ df_baseline_scored.json ， df_sample_scored.json ）。

信用卡模糊检测kaggle--数据集 背景信息信用卡公司必须能够识别欺诈性的信用卡交易，以免向客户收取未购买商品的费用，这一点很重要。 内容数据集包含欧洲持卡人在2013年9月使用信用卡进行的交易。 该数据集显示了两天内发生的交易，在284,807笔交易中，我们有492起欺诈。 数据集高度不平衡，阳性类别（欺诈）占所有交易的0.172％。 它仅包含数字输入变量，它们是PCA转换的结果。 遗憾的是，由于机密性问题，我们无法提供有关数据的原始功能和更多背景信息。 功能部件V1，V2，...，V28是PCA获得的主要组件，尚未通过PCA转换的唯一功能部件是“时间”和“量”。 功能“时间”包含数据集中每个事务和第一个事务之间经过的秒数。 功能“金额”是交易金额，此功能可用于与示例相关的成本敏感型学习。 特征“类别”是响应变量，在发生欺诈时其值为1，否则为0。 启示识别欺诈性的信用卡交易。

Consumer Credit Models:Pricing,Profit and portfolios 英文版