lightGBM 信贷违约问题（二分类问题）python 总结

信贷违约问题（二分类问题）python 总结"/>

lightGBM 信贷违约问题（二分类问题）python 总结

2021SC@SDUSC

实在是没啥好写的了，写点感兴趣的最近在做的工作

目录

• lightGBM 信贷违约问题（二分类问题）python 总结
• • 推荐使用 Jupyter Notebook
  • 前置工作-安装依赖
  • 数据基本技巧
  • • 读数据
    • 存数据
    • 数据概览
    • 缺失数量统计
    • 查看特征有几种取值
    • 查看特征分别有那些取值
    • 查看特征不同取值的个数
    • 查看特征和 target 取值的相关性
  • 数据预处理
  • • 数据集拼接
    • 时间格式转化
    • 文字类型转化为数字类型
    • • 分类特征
  • 特征选择
  • • 相关性
    • 特征贡献
  • 数据选择
  • 训练模型实现
  • 参数优化方法
• 在下一部分

lightGBM 信贷违约问题（二分类问题）python 总结

推荐使用 Jupyter Notebook

前置工作-安装依赖

pandas

不必多说，基本的数据结构以及操作

pip3 install pandas

或者

pip install pandas

lightgbm

主角

pip3 install lightgbm

如果像我一样用的 Anaconda “懒人包”

# 如果在C盘，管理员运行 shell
conda install lightgbm

bayesian-optimization

调参好帮手

pip3 install bayesian-optimization

---

数据基本技巧

读数据

dataframe = pd.read_csv('文件地址')

相对路径或绝对路径

注意：绝对路径需要转义符比如 (‘C:\\Users\\F\\Desktop\\data\\test_data.csv’)

存数据

dataframe.to_csv('地址格式同上', index=False, encoding='utf_8_sig')

数据概览

dataframe.describe()

缺失数量统计

dataframe.isnull().sum()

查看特征有几种取值

# 一般只对分类特征统计
dataframe[categorical_feature].nunique().sort_values()

查看特征分别有那些取值

# 只对取值少的某一列
dataframe['列名'].unique()

查看特征不同取值的个数

dataframe[['列名']].value_counts()

查看特征和 target 取值的相关性

correlations = dataframe.corr()['is_default'].sort_values()
print('相关性：\n', correlations.tail(100))

相关性值仅供参考，特别是对于分类特征来说

负数是负相关，正数是正相关

绝对值越大，相关性越强

值为 NaN 一般代表这一特征只有一种取值

数据预处理

因为这次拿到的数据集用到了一点点迁移学习的概念，有两个类似的训练集，需要把两个训练集简单的拼接起来

数据集拼接

# 列名变化
train_public = train_public.rename(columns = {'isDefault': 'is_default'})

# 统计特征的交集
common_cols = []
for col in train_public.columns:if col in train_internet.columns:common_cols.append(col)else: continue
len(common_cols)

# 只留下交集特征后的数据
train1_data = train_internet[common_cols]
train2_data = train_public[common_cols]
test_data = test[common_cols[:-1]]

时间格式转化

import datetime

# 转换为pandas中的日期类型
train1_data['issue_date'] = pd.to_datetime(train1_data['issue_date'])

# 提取多尺度特征
train1_data['issue_date_y'] = train1_data['issue_date'].dt.year
train1_data['issue_date_m'] = train1_data['issue_date'].dt.month
# 提取时间diff 经过了多少天
# 设置初始的时间
base_time = datetime.datetime.strptime('2007-06-01', '%Y-%m-%d')
# 转换为天为单位
train1_data['issue_date_diff'] = train1_data['issue_date'].apply(lambda x: x-base_time).dt.days
# show
#train1_data[['issue_date', 'issue_date_y', 'issue_date_m', 'issue_date_diff']]
train1_data.drop('issue_date', axis = 1, inplace = True)

文字类型转化为数字类型

# 查看文字类型特征
train2_data.dtypes[train2_data.dtypes == 'object']

# 提取特征，用字典把文字和数字做一个映射
employer_type = train1_data['employer_type'].value_counts().index
industry = train1_data['industry'].value_counts().index
# 字典
emp_type_dict = dict(zip(employer_type, [0,1,2,3,4,5]))
industry_dict = dict(zip(industry, [i for i in range(14)]))
work_year_map = {'10+ years': 10, '2 years': 2, '< 1 year': 0, '3 years': 3, '1 year': 1,'5 years': 5, '4 years': 4, '6 years': 6, '8 years': 8, '7 years': 7, '9 years': 9}
class_map = {'A': 0, 'B': 1, 'C': 2, 'D': 3, 'E': 4, 'F': 5, 'G': 6}

train1_data['work_year']  = train1_data['work_year'].map(work_year_map)
train1_data['class'] = train1_data['class'].map(class_map)
train1_data['employer_type'] = train1_data['employer_type'].map(emp_type_dict)
train1_data['industry'] = train1_data['industry'].map(industry_dict)

在数据处理过程中结合字段含义描述，根据经验判断删除部分特征，比如

X_train1 = train1_data.drop(['earlies_credit_mon','loan_id','user_id'], axis = 1, inplace = False)

对于使用 lightgbm 模型，特征不需要归一化，不需要缺失值填充，不需要转化为 one-hot 编码，只需要指明分类特征，然后在训练的时候告诉模型即可

分类特征

categorical_feature = ['class', 'employer_type','censor_status', 'use','region', 'issue_date_y']

特征选择

特征选择最直接的方法是比较两种情况：使用该特征、删除该特征，两种数据集在训练时交叉验证中的表现。

具体操作就是：当前我的模型参数为 5，在数据集 A 中得分 0.8。删除 A 中的特征 c 后得到新的数据集 B，使用参数还是 5，在数据集 B 中重新训练一遍，比较新的得分和 0.8。一般来说如果新的得分高，则认为删除特征 c 是用帮助的（假设训练误差近似泛化误差）。

当然如果特征很多，考虑排列组合，我们会有很多很多种情况能考虑，所以需要有其他手段辅助我们选择特征删除，比如相关性低的特征，比如贡献小的特征等。

相关性

correlations = dataframe.corr()['is_default'].sort_values()
print('相关性：\n', correlations.tail(100))

对于相关性，一般认为统计特征（比如次数、钱数等）和类别之间的相关性可以作为参考；分类特征（比如公司类型、年份、邮政编码等）的相关性没有价值。

相关性绝对值小的特征更有可能没有价值。

但是不能只根据相关性判断，一般需要从多个方面考虑，比如结合下面说的特征的重要性 features_importance

特征贡献

模型参数 importance_type

# 记录每个特征作为节点分裂时选择的特征的次数
importance_type = 'split'

# 记录每个特征总分裂收益
importance_type = 'gain'

训练完后保存贡献记录

# clf_model 是模型
frea_gain = pd.DataFrame(clf_model.feature_importances_)

frea_split = pd.DataFrame(clf_model.feature_importances_)

# 单次分裂收益
frea_avg[0] = frea_gain[0] / frea_split[0]

# 简单可视化
frea_avg['feature'] = X_train1.columns
frea_avg.sort_values(0)

可以结合次数（split）、总得分（gain）、单位得分（avg）挑选剔除特征。

按照升序排列后，排名靠前的代表在模型中贡献较少。

结合上述相关性一起考量后，挑选出部分特征，挨个或者成批的删除，测试效果。

数据选择

训练模型实现

参数优化方法

在下一部分