文件名称：Credit_Risk_Analysis:应用机器学习解决现实挑战
文件大小：103KB
文件格式：ZIP
更新时间：2024-04-01 09:12:02
JupyterNotebook
Credit_Risk_Analysis 应用机器学习解决现实挑战：信用卡风险。 概述 信用风险提出了有监督的机器学习模型的分类问题，即良好的贷款（一类）远远超过了风险贷款（另一个分类），这使得训练模型来检测风险贷款变得困难。 在没有特别注意的情况下，有监督的机器学习模型将简单地训练自己以获取对企业没有好处的良好贷款。 进入阶段，我们假设的机构客户LendingClub，一家点对点借贷服务公司。 为了帮助LendingClub解决不良贷款问题，我使用了不平衡学习和scikit-learn这两个python机器学习库，根据不同的重采样技术来训练六个监督的机器学习模型。 所使用的六种不同的机器学习方法如下： ROS 冒烟 欠采样 斯莫汀 平衡随机森林分类器 简易合奏分类器 在结果部分的下面，我评估了每个模型的性能。 并且，在摘要部分中，我建议是否应使用模型来预测信用风险。 结果 使用项
【文件预览】：
Credit_Risk_Analysis-main
----Module-17-Challenge-Resources()
--------credit_risk_resampling.ipynb(120KB)
--------credit_risk_resampling_starter_code.ipynb(38KB)
--------credit_risk_ensemble.ipynb(158KB)
--------.ipynb_checkpoints()
--------.LoanStats_2019Q1.csv.icloud(172B)
--------credit_risk_ensemble_starter_code.ipynb(36KB)
----README.md(3KB)