使用PySpark的贷款默认预测 使用Lending Club中包含100万以上行的数据集将贷款预测为违约/非违约 整个项目是在单个群集的Databricks云环境中完成的

繁荣的贷款数据 从繁荣的数据集中探索贷款数据。 为了完整性，数据集包含在数据集文件夹中。 数据由Udacity提供，是“探索和汇总数据”的一部分。 该数据集包含113,937笔贷款，每笔贷款有81个变量，包括贷款金额，借款人利率（或利率），当前贷款状态，借款人收入，借款人就业状态，借款人信用记录和最新付款信息。 可以在数据集目录中找到更多说明。

zwei / loan-calculator包 贷款计算器，生成还款和回款计划，支持任意精度的数字 支持还款方式 还款方式 是否支持 等额本金 支持 等额本息 支持 每月还息到期还本 支持 一次性还本付息 支持 安装前准备 php5.4以上版本 bcmath扩展 创建composer.json文件，并写入以下内容： { " require " : { " zwei/loan-calculator " : " dev-master " } } 执行composer安装 计算器 使用示例（使用） 例如项目目录在“ E：\ web \ php7 \ test” 创建index.php

数值计算是 图像处理 的基础课程，Matrix Computations--4th--由Golub and Van Loan编写

Loan_Default_Prediction：贷款违约预测的端到端机器学习过程，机器学习的最终项目ISpring2018 @ GWU

计算每天赚取的利息 Dollar Loan Center开发的一个简单的利息计算器。 使用此工具可以显示在不同时间段内一美元金额会产生多少利息。 注意：此计算器不会复利，它只是一个简单的利息计算器。 美元贷款中心目前已获得许可，并在内华达州和犹他州拥有50多个分支机构。 成立于1998年，我们是短期贷款行业中签名贷款和汽车所有权贷款的领先提供商。 支持语言:English

房屋净值贷款 房屋净值贷款（HMEQ）报告5960份房屋净值贷款的特征和欠款信息。 房屋净值贷款是指债务人将其房屋净值用作基础抵押品的贷款。 在这个项目中，我们预测贷款违约的可能性。 数据集包含两个类别-多数（否定）类别包含80％的观察值，代表按时还清贷款的申请人，数据集的20％为少数（正面）类别，代表未按时偿还贷款的申请人贷款。 数据集在某些变量中还包含一些缺失值，这些缺失值是在建模之前进行估算的。 我们建立了四个监督分类模型：逻辑回归，支持向量机，随机森林和XGBoost。 ROC曲线下的面积（AUC）被用作所有模型的性能指标。 属性信息 坏：1 =申请人拖欠贷款或严重拖欠款项； 0 =申请人支付的贷款 贷款：贷款申请额 MORTDUE：现有抵押贷款的应付金额 VALUE：当前属性的值 原因：DebtCon =债务合并； HomeImp =家装 职位：职业类别 YOJ：现任工作年限

matlab 10折交叉验证知识代码贷款违约模型 基于ML的贷款违约预测模型。 该项目使用了不同的机器学习技术-1. Logistic回归，KNN，分类树，合奏（分类方法），套索（正则化技术），10折交叉验证（ML技术，用于有效地训练我们的分类器，将总体分为训练）和测试样本）。 1.初步要求 为了利用该项目，用户应在其PC上安装Matlab版本R2016b，以便他们可以编译和运行此存储库中包含的代码。 2.入门 为了运行模型，用户需要遵循以下简单步骤： 将信息从名为LCloanbook.rar的文件LCloanbook.rar到本地目录中（确保所有文件都保存在一个位置） 打开并运行名为loan_Default_Model.m的文件 所有测试结果应显示在屏幕的左下角（工作区） 享受！ :) 3.仓库组成 loan_Default_Model.m -Matlab代码，包括此模型中使用的不同机器学习技术的定义。 LCloanbook.rar实际的基础贷款数据和变量描述 README.md您当前正在读取的文件 5.执照 MIT许可证涵盖了此存储库中包含的文件。 6.作者 斯韦特洛萨尔·斯托耶夫

分类_贷款状态 建立了一个分类器，以预测是否将还清贷款案。 数据集 使用以前贷款申请中的历史数据集，清理数据并在数据上应用不同的分类算法使用以下算法构建模型-k最近邻居决策树支持向量机Logistic回归 分析步骤 数据探索数据清理预处理-特征选择/提取归一化数据分类算法模型评估 结果 当适用这些结果时，将使用以下度量标准将结果报告为每个分类器的准确性：Jaccard索引F1分数LogLoass