《Python金融数据挖掘》第16章 案例2：网络贷款违约预测.pptxVIP

;【知识框架图】;;本章学习目标;;随着互联网应用的日益普及，网络贷款已成为一种常规的贷款形式，渐渐为人们所接受。 网络贷款借助互联网的优势，贷款人可以足不出户的完成贷款申请的各项步骤，包括了解各类贷款的申请条件，准备申请材料，一直到递交贷款申请，都可以在互联网上高效地完成。 网络贷款可以分为商业机构对客户的B2C（Bank-to-Customer）模式和个人对个人的P2P模式。B2C模式的B一般指银行，有些网站也提供贷款公司的产品。;而P2P模式大多生存于互联网、移动端。 P2P是英文person-to-person（或peer-to-peer）的缩写，意即个人对个人(伙伴对伙伴)。 P2P又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式，属于互联网金融（Internet Finance，ITFIN）产品的一种。 P2P借贷属于民间小额借贷，是借助互联网、移动互联网技术的网络信贷平台及相关理财行为、金融服务。 移动互联网最直接的优点是“便捷、高效、不受地域限制”，近年来，这种不受地域限制的闪电借款模式得到了非常迅猛的发展。;为了规范网络借贷过程管理，进一步加强网络借贷风险控制，业界人士开始关注采用一些技术手段来规避网络借贷风险。 本章给出的案例是基于人工智能与数据挖掘技术的网络贷款个人用户违约评估策略，其目的是发现高违约群体，降低借贷风险。 网络借贷违约预测的基本思路是：综合用户的基本信息、业务信息及信用数据，以历史业务中是否出现过违约为分类标签，利用数据挖掘的分类算法进行模型训练，经过调整优化后，使用训练后的模型对新申请用户的信息进行分类预测，以预测的分类结果作为核发贷款的重要依据。;图 16-1 网络借贷违约预测流程;网络借贷预测流程如图 16-1所示。第一步是清洗原始历史业务数据，得到满足算法输入要求的训练数据集，其中各项用户信息和第三方信息作为样本属性，用户历史业务还款状况作为样本分类标签。 本章第3节中，结合本案例的实际数据介绍了数据清洗的思路和方法。第二步是选用某种数据挖掘算法进行模型训练。 第三步是算法参数调优，可采用Scikit-Learn参数调整算法（详见第13章）。第四步在模型中输入新用户的业务信息和第三方征信数据。第五步获得预测结果，可作为是否执行贷款业务的重要依据。;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;本章小结;重要概念;复习思考题;