Python全系列 教程
3567个小节阅读:5929.7k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
为了降低不良贷款率,保障自身资金安全,提高风险控制水平,银行等金融机构会根
据客户的信用历史资料构建信用评分模型给客户评分。根据客户的信用得分,可以估计客户
按时还款的可能,并据此决定是否发放贷款及贷款的额度和利率。
x# 读取数据
import pandas as pd
df = pd.read_excel('信用评分卡模型.xlsx')
df.head()
# 划分特征变量和目标变量
X = df.drop(columns='信用评分')
y = df['信用评分']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)
# 模型训练
from lightgbm import LGBMRegressor
model = LGBMRegressor()
model.fit(X_train, y_train)
# 模型评估
# 查看r2评分
model.score(X_test, y_test)
features = X.columns # 获取特征名称
importances = model.feature_importances_ # 获取特征重要性
# 通过二维表格形式显示
importances_df = pd.DataFrame()
importances_df['特征名称'] = features
importances_df['特征重要性'] = importances
importances_df.sort_values('特征重要性', ascending=False)
1. 关于信用评分,下列说法正确的是:
A 信用评分是给银行进行评分
B 构建信用评分模型没有太大意义
C 根据客户的信用得分,据此决定是否发放贷款及贷款的额度和利率
D 以上说法均不正确
2. 使用LightGBM完成回归的是_______:
A LGBMRegressor
B LGBMClassifier
C LogisticRegression
D LinearRegression
1=>C 2=>A