自动化贷款评估系统

💼 自动化贷款评估系统 💰

现代金融机构每天处理数千份贷款申请。
为了快速准确地决定谁符合条件，银行使用基于风险模型的自动化系统。

这样的系统将由你来构建。你已获得一个真实的信贷申请数据集，
以及它们的审批历史记录。你的目标是开发一个能够评估客户提交的
新申请的模型。

为你提供了两个文件：

• train.csv - 历史申请及最终决定（loan_status）
• test.csv - 新申请，我们没有关联的决定

主要目标：预测一个概率，基于该概率我们可以将每个申请分类为批准或拒绝（0到1之间的概率，其中0表示肯定不批准贷款，1表示肯定批准贷款）。

📊 数据集

每条记录代表一个贷款申请，包含人口统计、财务、行为信息
以及所申请信贷类型的详细信息。

主要属性：

• customer_id - 唯一标识符
• age, occupation_status, years_employed
• annual_income, credit_score, credit_history_years
• savings_assets, current_debt
• defaults_on_file, delinquencies_last_2yrs, derogatory_marks
• product_type, loan_intent, loan_amount, interest_rate
• debt_to_income_ratio, loan_to_income_ratio, payment_to_income_ratio
• loan_status - 仅在train.csv中，要预测的标签

最终目标是为test.csv中的行预测loan_status。

📝 任务

前三个子任务验证对数据集结构的理解。
最后一个子任务评估分类模型。

子任务1（10分）

根据年龄对测试集中的每个申请人进行分类：

• Young 如果 age < 30
• Adult 如果 30 ≤ age < 60
• Senior 如果 age ≥ 60

子任务2（15分）

基于debt_to_income_ratio确定风险等级：

• LowRisk 如果 DTI < 20
• MediumRisk 如果 20 ≤ DTI < 40
• HighRisk 如果 DTI ≥ 40

子任务3（15分）

对于测试中的每一行，计算：

1total_obligations = current_debt + derogatory_marks + delinquencies_last_2yrs

返回一个整数。

子任务4（60分）

构建一个分类模型，为测试中的每一行预测loan_status（[0,1]中的概率p）。

使用**AUC（ROC曲线下面积）**进行评估。

🧮 评估

• AUC ≥ 0.95 → 60分
• AUC ≤ 0.80 → 0分
• 两者之间的区间：按比例计分

子任务1-3进行精确评估（通过比较）。

📄 提交文件格式

submission.csv文件必须包含测试中每一行对应的4行，
对应4个子任务。

结构：

1subtaskID datapointID answer

其中：

• subtaskID - 1、2、3或4
• datapointID - customer_id的值
• answer - 可以有以下值之一（取决于任务）：
  • 子任务1：Young / Adult / Senior
  • 子任务2：LowRisk / MediumRisk / HighRisk
  • 子任务3：整数
  • 子任务4：loan_status = 1的概率（0-1之间的实数）

customer_id = 9071的示例：

1subtaskID datapointID answer21 9071 Adult32 9071 MediumRisk43 9071 1254 9071 0.742

祝你在开发自动化贷款评估系统方面取得成功！

📊 评估指标：ROC AUC 📈

对于子任务4，使用**ROC AUC（ROC曲线下面积）**进行评估。
这是一个综合衡量分类器在所有可能决策阈值下性能的单一指标。

ROC AUC如何计算？

1. 绘制ROC曲线，表示：
   • TPR（真正例率） - 正确批准已批准申请的比率
   • FPR（假正例率） - 错误批准被拒绝申请的比率

2. 曲线下面积（AUC）使用梯形法则计算：
   • 曲线使用FPR值的垂直线和TPR值的水平线分割成梯形
   • 将梯形的面积相加得到AUC的最终值

3. 分数解释：
   • ROC AUC = 1 🏆 → 完美分类器，所有申请都被正确分类
   • ROC AUC = 0.5 🎲 → 随机分类器，无预测能力
   • 0.5 < ROC AUC < 1 📈 → 分类器区分类别的能力