利用机器学习进行贷款预测

当某人向某人或某个组织借钱时，在金融术语中称为贷款。批准贷款不是一件容易的工作，有一些程序取决于这个人是否有资格。通过机器学习，人们可以预测出借人是否会违约。在当今的技术领域，机器学习就像一块炙手可热的蛋糕。说出一个东西，机器学习就能回答大多数问题。从人脸检测到车道检测再到推荐产品，机器学习的应用无处不在。

摘要目的:

这个问题的目标是找出哪些客户将有能力偿还债务，哪些客户可能无法偿还债务。显然，我们必须在这里创建一个分类模型。我们必须使用逻辑回归、决策树或随机森林等算法。我们需要创建一个精确的模型，错误率应该更低。

想要建立关于机器学习的项目?：

机器学习工具包将发送给您，您可以学习和构建使用教程。你今天就可以免费开始了!

将会用到的概念:

您需要对Python编程语言有基本的了解(最好是Python 3的语法)
基本了解机器学习算法

实现:

1.从kaggle下载贷款预测数据集。

2.导入必要的python库。进口numpy, matplotli，熊猫和海运。代码如下所示。

将numpy导入为np

进口熊猫作为pd

进口matplotlib。pyplot作为plt

以sns形式海运进口

为了简单起见，我们用别名重新命名了库。

3.读取测试数据集和训练数据集。数据集必须分成两部分。一个是训练数据集，另一个是训练数据集。最好将80%作为训练集，20%作为测试数据集。

df_train = pd.read_csv(“training.csv”)

df_test = pd.read_csv(“test.csv”)

4.检查是否缺少值。删除此项目中不需要的行和列。

5.还可以修复数据集中不存在的值或具有空值的值。

机器学习的最新项目

想要开发机器学习的实用技能?检查我们最新的项目，并开始免费学习

2022世界杯预选赛

6.现在让我们可视化数据。在x轴上，我们将绘制计数在y轴上，我们将绘制性别。代码如下所示。

Sns。Countplot (y = ' gender '， hue = ' loan '， data = df_train)。现在，对数据集中的婚姻、年龄、就业状况、信用记录和其他数据(字段)继续执行相同的过程。只要相应地改变y轴，而x轴保持不变。信用记录包括客户以前的贷款数据，无论此人在以前的交易中是否违约。

7.逻辑回归用于结果为二叉类型(0或1)的问题。决策树也用于分类问题。逻辑回归的准确率为77%，而决策树的准确率为64%。因此，您应该使用逻辑回归来获得更准确的结果。

结论:

预测一个人是否有能力手动偿还债务是一项很累人的工作，而且并不总是像我们使用机器学习时那样准确。