從大數據角度看你的信用借貸

作者簡介Introduction

貸款消費、投資理財已經是當今司空見慣的事情了。針對與商業銀行，放貸款已經是其運作中不可或缺的一部分了。但是為了減少信貸危機，並且減少不必要的人力物力，大都採用了一套決策系統。今天呢，我們就一起利用貸款數據去簡單地建立一個決策模型。

本文主要涉及到四部分

·讀取數據+簡單探索

·數據預處理

·描述性分析

·分層抽樣

·平衡數據

·建模決策

老樣子，先導入後續分析所需要的程序包：

## 載入程序包

library(Rmisc)

library(caret)

library(VIM)

library(DMwR)

## 讀取數據+簡單探索

LoanData

head(LoanData)

str(LoanData)

table(LoanData$Loan_Status)

首先head函數返回了數據集的前六行，我們就可以對數據集的整體有一個簡單的概念。然後使用str函數返回數據集的簡單結構，很容易發現此數據集是數據框類型，包括614行，13列，並且還可以知道各個變數都是什麼類型的。table函數返回了兩個類別：Y=422，N=192，數據類別有些不平衡。最後就是Loan_ID列是沒有用的變數，需要剔除。

細心的觀察以上幾個因子型的自變數，就會發現有些異常：Gender有三個因子水平、Married有三個因子水平……同時還有缺失值的存在。

## 數據預處理

LoanData

LoanData$Loan_Amount_Term

LoanData$Credit_History

aggr(LoanData, plot = F)

table(LoanData$Loan_Amount_Term)

table(LoanData$Credit_History)

factor_vars

factor_tabs

factor_tabs

使用aggr函數返回數據集中各個變數的缺失情況，發現LoanAmount缺失22個，Loan_Amount_Term缺失14個，Credit_History缺失50個。

上圖是提取了所有的因子型變數，然後統計各個因子水平的個數，為了探索各個因子型變數的內容，順便可以找到對應的最多的因子水平去填充上方的缺失值。

通過對其的探索，發現有一部分變數還有空("")的因子水平，我們均使用最多的因子水平去填補。

LoanData

Loan_Amount_Term[is.na(Loan_Amount_Term) == T]

Credit_History[is.na(Credit_History) == T]

Gender[Gender == ""]

Married[Married == ""]

Dependents[Dependents == ""]

Self_Employed[Self_Employed == ""]

})

LoanData

使用within函數對數據進行重塑，方便快速地填充缺失值和空的因子水平。然後LoanAmount變數並沒有進行缺失值的填補，因為其缺失數量也不多，其次其不如因子型變數填補方便，再此我就發懶直接剔除了。

## 描述性分析

gp_stack

lapply(factor_vars[1:8], function(x) {

ggplot(LoanData, aes(x = eval(parse(text = x)), fill = Loan_Status)) +

geom_bar() +

xlab(x) +

theme_bw() +

ggtitle(paste(x, "Barplot Stack", sep= " ")) +

theme(plot.title = element_text(hjust = 0.5)) +

guides(fill = "none")

})

gp_fill

lapply(factor_vars[1:8], function(x) {

ggplot(LoanData, aes(x = eval(parse(text = x)), fill = Loan_Status)) +

geom_bar(position = "fill") +

xlab(x) +

theme_bw() +

ggtitle(paste(x, "Barplot Fill", sep= " ")) +

theme(plot.title = element_text(hjust = 0.5))

})

multiplot(plotlist = c(gp_stack[1:4], gp_fill[1:4]), cols = 2)

multiplot(plotlist = c(gp_stack[5:8], gp_fill[5:8]), cols = 2)

通過繪製8個因子型變數與因變數的條形圖，發現除了Credit_History變數有比較明顯的區分性（也可能受到了樣本量不足的影響），其他均不明顯。

## 分層抽樣

set.seed(1)

idx

TrainData

TestData

## 交叉驗證+隨機森林

ctrl

set.seed(1)

model_rf

y = TrainData[, 12],

method = "rf",

trControl = ctrl)

pred_rf

confusionMatrix(pred_rf, TestData[, 12])

使用訓練集建立隨機森林模型，然後建立混淆矩陣發現整體精度為83.05%，看起來還挺高，但是這是由於數據不平衡導致的，整體的精度不適合評估此模型。並且模型的Kappa值也只有0.5265，Sensitivity才0.4444，都說明此時的模型不可取。下面進行平衡數據，然後在使用隨機森林模型嘗試對比一下：

## 平衡數據

set.seed(3)

LoanData2

data = LoanData,

perc.over = 200,

perc.under = 150)

numeric_vars

LoanData2[numeric_vars]

table(LoanData2$Loan_Status)

平衡後的數據類別之比為1:1，均為543個樣本。

## 分層抽樣

set.seed(1)

idx

TrainData

TestData

## 交叉驗證+隨機森林

set.seed(1)

model_rf

y = TrainData[, 12],

method = "rf",

trControl = ctrl2)

pred_rf

confusionMatrix(pred_rf, TestData[, 12])

平衡數據之後，模型Sensitivity將近80%，Kappa值達到了0.6481，都比之前有了一定的提升。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！