某网贷行业贷款，包括信用违约标签（因变量）、建模所需的基础与加工字段（自变量）、相关用户的网络行为原始数据，关于信用评分模型的应用以及实现，进行信用评分卡构建，以此来对客户贷款进行风险预警。
2022-07-09 21:20:11
45.5MB
1
企业的基本信息（只包含发债企业）
2018-2020年的财务指标数据
2018-2020年的舆情信息（只包含发债企业）
2019-2020年的违约记录
2022-06-14 18:05:39
63.38MB
1
基于测试集中给定的提交示例，基于其内所列的企业进行预测，配套训练集下载地址：https://download.csdn.net/download/weixin_53610475/85637960
2022-06-14 18:05:38
169KB
1
人工智能-项目实践-创新大赛-基于python的用户贷款风险预测
融360与平台上的金融机构合作，提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息，需要参赛者以此建立准确的风险控制模型，来预测用户是否会逾期还款。
##解决方案概述## 本题很多关键属性被脱敏处理，比如时间戳和所有金额的值，这个对我们进行特征构造带来很多的影响，损失了很多业务信息。不过对于参赛者都是公平的，因而我们构造了大量的统计特征，根据模型及线上反馈最佳特征大多来自用户浏览行为browse_history和bill_detail，此外发现放款时间也是个强力特征，详细见代码部分。这里只放了我个人的代码，队友的特征工程很多类似的，也有一些独特之处，这里说几个思路：bill_detail表的特征按放款时间分为放款前放款后分别统计（还可以尝试多划分几个时间窗再统计）、基于熵的分箱处理（特征离散化，熊掌整理了思路见：最优分箱.docx）、排序特征、组合特征等，有兴趣可以自己去实现。模型方面，我本人主要玩了xgboost和lightgbm，队友也基本上是xgboost、RandomForest，在玩Stack
2022-04-21 13:05:22
19.06MB