Python实现的拍拍贷金融风控模型

原创已于 2025-08-31 08:42:46 修改 · 1.3k 阅读

CC 4.0 BY-SA版权

文章标签：

#python #数据挖掘 #深度学习 #金融风控模型 #拍拍贷风控模型 #源码 #报告

于 2022-06-20 10:47:17 首次发布

资源下载地址：https://download.csdn.net/download/sheziqiong/85705488
资源下载地址：https://download.csdn.net/download/sheziqiong/85705488

项目概述：

比赛数据：

"拍拍贷"提供的数据包括信用违约标签（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，数据字段已经做脱敏处理。本次实战采用的是初赛数据，包括3万条训练集和2万条测试集。数据文档包括：

Master：每一行代表一个样本（一笔成功成交借款），每个样本包含200多个各类字段。
Log_Info：借款人的登陆信息，每个样本含多条数据。
Userupdate_Info：借款人修改信息，每个样本多条数据。

比赛规则：

基于训练集数据构建预测模型，使用模型计算测试集的评分（评分数值越高，表示越有可能出现贷款违约），评价标准为AUC。

建模思路：

数据清洗工作，主要做一下缺失值处理，常变量处理，空格符处理，字符大小写转换等
特征处理工作，分为特征转换和特征衍生。主要做了以下工作：

Master数据：地理位置信息的处理（省份，城市），运营商和微博特征的转换，以及对排序特征，periods特征的交叉组合等。
Log_Info数据：衍生出"累计登陆次数"，“登录时间的平均间隔”，"最近一次的登录时间距离成交时间差"等特征。
Userupdate_Info数据：衍生出"最近的修改时间距离成交时间差"，“修改信息的总次数”, "每种信息修改的次数"等特征。

特征筛选工作：利用lightgbm输出特征重要性进行筛选。
建模工作：

单模型，选用的机器学习模型是lightgbm。
bagging模型：基于bagging的思想，通过对模型参数进行随机扰动，构建多个子模型，选用的基模型是lightgbm。

重要工作：

数据离群值判定，清洗
利用XGboost，按特征重要性系统衍生新特征，剥离没用的特征
特征的离散化，二值化，数值型特征衍生排序
交叉验证，网格搜索完成lightGBM超参数设置
bagging lightGBM模型

项目流程

数据清洗（data_input, data_EDA_clean代码模块）

导入合并好的数据，看一下好坏用户比：

Mater数据包含约50000个样本，200多个字段。

# 样本的好坏比
data1.target.value_counts()

好坏比约11：1，属于不平衡数据集，因为最后模型用的是lightgbm，故本次实战先不采用过采样方法来进行数据抽样，直接用原始数据来建模。

缺失值处理：

缺失变量的数据可视化

在这里插入图片描述

有一些变量缺失率很高，如果将缺失填充为0，这类变量其实可看做一类稀疏特征，由于xgboost，lightgbm等GBDT类树模型对高维稀疏特征处理不太好，并考虑到这些变量的业务含义未知，携带的信息量太少，故对缺失率高的变量作删除处理。

除了要考虑变量的缺失情况，也要考虑样本缺失特征个数的情况，一个样本如果缺失的特征很多，说明用户的信息完善程度很低，通过对缺失样本的可视化，发现了这些离群点，可以考虑删除。

# 样本的趋势个数可视化
sc.plot_missing_user(df=data1,plt_size=(16,5))

在这里插入图片描述

# 删除变量缺失个数在100个以上的用户
data1 = sc.missing_delete_user(df=data1,threshold=100)

缺失变量个数在100以上的用户数有298个。

常变量处理

当一个变量中单个值所占比例过高（90%以上），说明该变量方差比较小，携带的信息较少，导致区分能力较差，对于这些变量也做删除处理。

字符格式转换

城市特征清洗：

# 计算4个城市特征的非重复项计数，观察是否有数据异常
for col in ['UserInfo_2','UserInfo_4','UserInfo_8','UserInfo_20']:
print('{}:{}'.format(col,data1[col].nunique()))
print('\t')

UserInfo_8相对其他特征nunique较大，发现有些城市有"市"，有些没有，需要做一下格式转换，去掉字符串后缀"市".
print(data1.UserInfo_8.unique()[:50])

# UserInfo_8清洗处理，处理后非重复项计数减小到400
data1['UserInfo_8']=[s[:-1] if s.find('市')>0 else s[:] for s in data1.UserInfo_8]

UserupdateInfo1特征大小写转换：

'UserupdateInfo1’包含了大小写，如"qQ"和"QQ",属于同一种意思，所以需要对其英文字符统一转换大小写。

# 将UserupdateInfo1里的字符改为小写形式
df2['UserupdateInfo1'] = df2.UserupdateInfo1.map(lambda x:x.lower())

特征处理（feature_processing代码模块）

Master数据:

对Master中的类别型特征（省份，城市，运营商，微博）做特征转换，对数值型变量做排序特征，periods特征的衍生。

类别型特征：

省份：

原数据有两个省份字段，推测一个为用户的户籍地址，另一个为用户居住地址所在省份，由此可衍生的字段为：

省份二值化，通过违约率将单个省份衍生为二值化特征，分为户籍省份和居住地省份
户籍省份和居住地省份是否一致，推测不一致的用户大部分为外来打工群体，相对违约率会高一点。
计算违约率时要考虑该省份的借款人数，如果人数太少，参考价值不大

省份二值化

两种省份特征选择出违约率排名前五的省份，并做二值化衍生。

户籍省份和居住地省份不一致衍生

城市变量：

原数据中有4个城市信息，推测为用户常登录的IP地址城市，衍生的逻辑为：

通过xgboost挑选比较重要的城市变量，进行二值化衍生

由4个城市特征的非重复项计数可衍生成登录IP地址的变更次数

城市二值化衍生

# 根据xgboost变量重要性的输出对城市作二值化衍生

将特征重要性排名前三的城市做二值化衍生：

IP地址变更次数衍生

运营商：

因运营商的种类少，直接做亚编码处理即可。

微博：

先对微博特征做一下缺失值填充，再做亚编码处理。

数值型特征：

排序特征衍生：

对数值型特征按数值从小到大进行排序，衍生成排序特征，排序特征异常值有更强的鲁棒性，可以增强模型的稳定性，降低过拟合风险。

periods特征衍生：

# 生成只包含periods的临时表
periods_col = [i for i in num_col2 if i.find('Period')>0]
periods_col2 = periods_col+['target']
periods_data = data1.loc[:,periods_col2]

观察包含period1所有字段的数据，发现字段之间量级差异比较大，可能代表不同的含义，不适合做衍生。

periods1_col = [col for col in periods_col if col.find('Period1')>0]
periods_data.loc[:,periods1_col].head()

观察后缀都为1的字段，发现字段数据的量级基本一致，可以对其做min,max,avg等统计值的衍生。

period_1_col=[]
for i in range(0,102,17):
col = periods_col[i]
period_1_col.append(col)
periods_data.loc[:,period_1_col].head()

在这里插入图片描述

对后缀都为1的periods字段做相应的四则运算（最小，最大，平均），衍生成新的特征。

Log_Info表：

衍生的变量

累计登录次数
登录时间的平均间隔
最近一次的登录时间距离成交时间差

Userupdate_Info表

衍生的变量

最近的修改时间距离成交时间差
修改信息的总次数
每种信息修改的次数

将衍生特征汇总成一张表：

update_info = pd.merge(time_span,cate_change_df,on='Idx',how='left')
update_info = pd.merge(update_info,update_cnt,on='Idx',how='left')
update_info.head()

建模

1.单模型lightgbm（single_lightgbm_model代码模块）

在不调参的情况下，两种版本的lightgbm的默认参数模型

sklearn接口版本

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PwC1RKaq-1655693041517)(https://www.writebug.com/myres/static/uploads/2022/6/18/b8b514598c8d1312831c6c39cc33ea46.writebug)]

原生版本的lightgbm

调参

学习速率先设定为0.1，便于缩短模型的训练时间，最后一步再减小学习速率，先确定最大的迭代次数。

# 确定最大迭代次数，学习率设为0.1 
base_parmas={'boosting_type':'gbdt',
'learning_rate':0.1,
'num_leaves':40,
'max_depth':-1,
'bagging_fraction':0.8,
'feature_fraction':0.8,
'lambda_l1':0,
'lambda_l2':0,
'min_data_in_leaf':20,
'min_sum_hessian_inleaf':0.001,
'metric':'auc'}
cv_result = lgb.cv(train_set=lgb_train,
num_boost_round=200,
early_stopping_rounds=5,
nfold=5,
stratified=True,
shuffle=True,
params=base_parmas,
metrics='auc',
seed=0)
print('最大的迭代次数: {}'.format(len(cv_result['auc-mean'])))
print('交叉验证的AUC: {}'.format(max(cv_result['auc-mean'])))

确定subsample为0.5，colsample_bytree为0.6

正则化参数调参

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6K6spI9z-1655693041520)(https://www.writebug.com/myres/static/uploads/2022/6/18/981a2f24600efae4e882a964a55f7894.writebug)]

确定reg_lambda为0.03，reg_alpha为0.3

减小学习速率，再计算最佳参数下的迭代次数

确定最终的迭代次数为889次

最佳参数建模（sklearn接口版本）

lgb_single_model = lgb.LGBMClassifier(n_estimators=900,
                                        learning_rate=0.005,
                                        min_child_weight=0.001,
                                        min_child_samples = 20,
                                        subsample=0.5,
                                        colsample_bytree=0.6,
                                        num_leaves=30,
                                        max_depth=-1,
                                        reg_lambda=0.03,
                                        reg_alpha=0.3,
                                        random_state=0)
lgb_single_model.fit(x_train,y_train)
pre = lgb_single_model.predict_proba(x_test)[:,1]
print('lightgbm单模型的AUC：{}'.format(metrics.roc_auc_score(y_test,pre)))
sc.plot_roc(y_test,pre)