RudrakshhGupta/Loan-Eligibility-Prediction-MLModel

# 贷款资格预测 ML 模型 这是一个机器学习项目，旨在探索 Kaggle 的贷款审批数据集以构建预测分类模型。该项目涵盖了完整的机器学习工作流程，包括探索性数据分析、数据预处理、特征工程、模型训练、超参数调优以及多种分类算法的评估。 ## 概述 金融机构每天处理成千上万份贷款申请。预测贷款申请是否应该被批准是一个重要的分类问题，有助于降低财务风险并改善决策。 在本项目中，我们实现并比较了多种机器学习算法，以根据申请人信息预测贷款审批状态。 ## 数据集 * 来源：Kaggle 贷款预测数据集 * 记录数：614 * 特征数：13 * 目标变量：`Loan_Status` 该数据集包含的申请人信息如下： * 性别 * 婚姻状况 * 抚养人数 * 教育程度 * 自雇状态 * 申请人收入 * 共同申请人收入 * 贷款金额 * 贷款期限 * 信用记录 * 财产区域 * 贷款批准状态 ## 项目工作流程 ### 1. 探索性数据分析 (EDA) * 数据集检查 * 汇总统计 * 缺失值分析 * 分布图 * 用于异常值检测的箱线图 * 相关性热图 * 贷款批准分布 * 收入与贷款金额的可视化 * 按性别划分的贷款批准分析 ### 2. 数据预处理 * 使用中位数填补缺失的数值 * 缺失的分类值替换为 "missing" * 目标变量的标签编码 * 数值特征的标准化 * 分类变量的 One-Hot 编码 * 针对基于树的模型进行序数编码 * 训练集与测试集划分 (70:30) ### 3. 机器学习模型 实现并比较了以下模型： * 逻辑回归 * 决策树 * 随机森林 * 梯度提升分类器 ### 4. 超参数调优 使用 GridSearchCV 来优化模型性能。 进行调优的模型包括： * 逻辑回归 * 随机森林 * 梯度提升 ### 5. 模型评估 使用以下指标评估性能： * 准确率 * ROC-AUC 分数 * 精确率 * 召回率 * F1 分数 * 分类报告 * 混淆矩阵 * 排列特征重要性 ## 结果 | 模型 | 准确率 | | ------------------- | -------- | | 逻辑回归 | 84.86% | | 梯度提升 | 84.32% | | 随机森林 | 79.46% | | 决策树 | 77.29% | 在所有模型中，逻辑回归和梯度提升在测试数据集上取得了最佳的整体表现。 ## 使用的技术 * Python * Pandas * NumPy * Matplotlib * Seaborn * Scikit-learn * Jupyter Notebook ## 仓库结构 ``` . ├── Loan_Fraud_Detection.ipynb └── README.md ``` ## 未来改进 * 尝试使用 XGBoost、CatBoost 和 LightGBM * 使用 SMOTE 解决类别不平衡问题 * 执行更高级的特征工程 * 使用交叉验证进行更稳健的评估 * 将训练好的模型部署为 Flask Web 应用程序 ## 学习成果 通过这个项目，我获得了以下方面的实践经验： * 数据清理与预处理 * 探索性数据分析 * 特征工程 * 分类算法 * 超参数调优 * 模型评估 * 使用 Scikit-learn 的机器学习流水线 ## 致谢 * 感谢 Kaggle 提供贷款预测数据集。 * 感谢 Scikit-learn 文档提供的机器学习实现指南。 ## 注意事项 本项目最初是作为第一学期机器学习课程作业的一部分开发的。原始的协作仓库和数据集已不可用。本仓库包含了基于课程期间完成的项目工作重建的实现和文档。所使用的数据集是公开可用的 Kaggle 贷款预测数据集。

标签：Apex, NoSQL, 信贷风控, 数据科学, 数据预处理, 机器学习, 资源验证, 逆向工具, 金融科技