文件名称：Credit_Risk_Analysis
文件大小：20.04MB
文件格式：ZIP
更新时间：2024-04-26 19:55:00
JupyterNotebook
信用风险分析 概述 机器学习可以用来预测信用风险。 通过使用它，它不仅可以提供更快，更可靠的贷款体验，还可以更准确地确定良好的候选贷款人，从而降低违约率。 信用风险是固有的不平衡分类问题，因为优质贷款容易超过风险贷款。 因此，需要采用不同的技术来训练和评估具有不平衡类的模型。 已经建立并评估了许多监督的机器学习模型或算法，以预测信用风险。 使用的监督机器学习模型： 天真的随机过采样 SMOTE过采样 群集质心欠采样 SMOTEENN组合（上下采样） 平衡随机森林分类器 Easy Ensemble ADABoost分类器 利用资源来完成分析 数据来源： 语言： Python Python依存关系： numpy，pandas，pathlib，collections，scikit-learn，inbalanced-learn 工具： MS Excel，Jupyter Notebook
【文件预览】：
Credit_Risk_Analysis-main
----README.md(3KB)
----credit_risk_resampling.ipynb(122KB)
----Resources()
--------LoanStats_2019Q1.zip(19.94MB)
--------Classification_Report_Balanced_Random_Forest_Classifier.JPG(21KB)
--------Classification_Report_Cluster_Centroids_Undersampling.JPG(21KB)
--------Classification_Report_Easy_Ensemble_ADABoost_Classifier.JPG(21KB)
--------Classification_Report_SMOTEENN_Combination_Sampling.JPG(21KB)
--------Classification_Report_Naive_Random_Oversampling.JPG(21KB)
--------Classification_Report_SMOTE_Oversampling.JPG(21KB)
----credit_risk_ensemble.ipynb(39KB)