互聯(lián)網(wǎng)金融的飛速發(fā)展,銀行對(duì)貸款風(fēng)險(xiǎn)的管理重視程度逐漸升高,因此降低客戶的不良貸款率,并且判斷出存在較大貸款還款違約風(fēng)險(xiǎn)的貸款客戶顯得格外重要,基于懲罰邏輯回歸算法的貸款違約預(yù)測(cè)模型便應(yīng)運(yùn)而生。該模型根據(jù)用戶基本屬性數(shù)據(jù)以及下載APP種類的數(shù)據(jù),實(shí)現(xiàn)特征提取并進(jìn)行數(shù)據(jù)加權(quán)處理,進(jìn)而利用帶懲罰的邏輯回歸來(lái)進(jìn)行預(yù)測(cè)模型構(gòu)建,提升對(duì)于貸款客戶是否會(huì)違約的判斷準(zhǔn)確性,進(jìn)而可以提升銀行對(duì)于貸款客戶的風(fēng)險(xiǎn)評(píng)估及管理控制,采用此方法極大地降低了銀行的客戶貸款隱患。 

【文章來(lái)源】：信息技術(shù)與信息化. 2020,(07)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

貸款數(shù)據(jù)特征提取及預(yù)測(cè)算法流程圖

用戶數(shù)據(jù)均為從互聯(lián)網(wǎng)下載開(kāi)放數(shù)據(jù),但數(shù)據(jù)會(huì)存在個(gè)別及小部分缺失,因此首先需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作,首先使pandas、numpy進(jìn)行用戶基本屬性數(shù)據(jù)進(jìn)行讀取及處理,丟掉數(shù)據(jù)中整體缺失的特征數(shù)據(jù),如圖4為部分用戶基礎(chǔ)特征數(shù)據(jù),其中app1254、overdueDaysGe5PrincipleRatio等確實(shí)部分需要預(yù)處理后去除。2.2 利用TF-IDF進(jìn)行特征提取及加權(quán)處理

本文所處理的APP數(shù)據(jù)如圖2所示,利用TFIDF-Vectorizer可以把原始文本轉(zhuǎn)化為tf-idf的特征矩陣,從而為后續(xù)的文本相似度計(jì)算,主題模型,文本搜索排序等一系列應(yīng)用奠定基礎(chǔ)。除去可以考量某些字詞在文本出現(xiàn)的頻率,還注重包含這個(gè)詞匯的所有文本數(shù)量,可以減少高頻或意義不大的字詞出現(xiàn)所帶來(lái)的影響,深度挖掘更加有意義的特征。針對(duì)用戶下載APP統(tǒng)計(jì)數(shù)據(jù),將各用戶下載APP名稱看作詞語(yǔ),將下載人群多、下載量大這些非典型且不具有較高參考意義的APP(例如微信APP),以及代表性較強(qiáng)的APP(例如貸款A(yù)PP)進(jìn)行權(quán)重的變化,增大對(duì)于預(yù)測(cè)判斷的有意義數(shù)據(jù)權(quán)重,減小非重要數(shù)據(jù)的權(quán)重,使數(shù)據(jù)變?yōu)橛袃r(jià)值的可用數(shù)據(jù)。本文實(shí)驗(yàn)也對(duì)于加權(quán)前及加權(quán)后分別進(jìn)行預(yù)測(cè)數(shù)據(jù)的實(shí)驗(yàn),并將預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。1.2 構(gòu)建基于懲罰邏輯回歸預(yù)測(cè)算法進(jìn)行貸款預(yù)測(cè)


本文編號(hào)：3350797