Kaggle实践之《Home Credit Default Risk》的数据源理解

原创

已于 2024-02-21 22:19:49 修改 · 2.7k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#算法

于 2024-02-17 21:01:44 首次发布

比赛链接如下：https://www.kaggle.com/competitions/home-credit-default-risk/overview
该比赛是Home Credit公司拿出他们公司的实际问题设置题目，传统的金融机构需要客户有良好且连续的信用卡使用记录才给贷款，Home Credit想用科技的方法解决这个问题，找到那些有实际还款能力但是被传统金融机构拒绝的客户。

本赛题是要预测客户是否会违约，违约的客户会给公司带来实际的经济损失，因为我们要尽量的避免给这部分客户放贷。违约一般分两部分，一个是无还款能力、一个是无还款意愿。当然也有既无还款能力又无还款意愿的人，在这里我们认为无还款能力导致的欠款都是由于无还款能力。

1、数据探查

1.1 application_train/test

训练集30.75万（SK_ID_CURR是主键，其中违约人数是24825，占比8.07%），测试集4.87万，每个训练集&测试集都行都对应一个贷款申请，训练测试的比例是6.31:1。
训练集&测试集的特征及其含义如下：

特征名	特征含义	特征类型
name_contract_type	合同类型是现金还是循环贷	枚举值
code_gender	客户性别	枚举值
flag_own_car	客户是否有汽车	布尔
flag_own_realty	客户是否有房产或公寓	布尔
cnt_children	客户的孩子数量	数值
amt_income_total	客户的总收入	数值
amt_credit	客户的贷款信贷额度	数值
amt_annuity	每年要还的贷款额度	数值
amt_goods_price	对于消费贷来说，这个字段是要买的商品价格，从数据看每个贷款都对应某个商品，难道业务全部是消费贷吗	数值
name_type_suite	办理贷款的时候是谁跟着一起来的：孩子、家人、配偶、自己、…	枚举值
name_income_type	收入来源：企业家、打工人、政府职员、养老金	枚举值
name_education_type	最高学历	枚举值
name_family_status	家庭状态：已婚、民事婚姻、单身、离婚、丧偶	枚举值
name_house_type	住房状态：租房、和父母住等	枚举值
region_population_relative	数字越大代表客户住的地方人口越密集	数值
days_birth	出生到现在的天数	数值
days_employed	从事当前工作多少天了，365243是异常数据，要剔除	数值
days_registration	多少天之前注册的	数值
days_id_publish	多少天之前修改了身