你能预测每个申请人偿还贷款的能力吗？由于信用记录不足或不存在，许多人难以获得贷款。而且，不幸的是，这些人经常被不可靠的贷方利用，例如高利贷，校园贷。
捷信努力为没有银行账户的人群扩大金融包容性。为了确保这些服务不足的人群获得积极的贷款体验，捷信利用各种替代数据（包括电信和交易信息）来预测客户的还款能力。
Home Credit捷信目前正在使用各种统计和机器学习方法进行这些预测，以帮助他们释放数据的全部潜力。这样做将确保有能力还款的客户不会被拒绝，并且贷款的本金、到期日和还款日历将使他们的客户获得成功。
我们团队提供此项目数据集和机器学习复现代码。
数据集变量上百，样本量超过30万，是各种机器学习实验理想的数据集。
我们训练的模型性能良好，AUC高于0.76.
我们团队能打破机器学习不可解释的黑箱，提供变量可解释性，下图是top10重要变量。图中可见ext_source_3，ext_source_2，ext_source_1是非常重要变量捷信的数据集中，对外部数据源的依赖是非常高的。
我们团队能提供变量相关性矩阵，如下图，诸多变量呈现高相关性。模型没必要采用所有变量，为节约成本可以删除部分变量。
我们团队提供变量描述性统计，下图是各个变量的分布图汇总。我们可见有的变量呈现正态分布，有的是左偏态，有的是右偏态。有的变量还需要进一步细分。
用户不需要了解数学，统计学，机器学习，编程等知识即可获取想要结果。
我们团队根据十年多建模积累专业经验自动帮助用户寻找最优算法，自动化数据预处理；自动化调参；专业化多角度模型验证；生成专业模型报告，图文并茂；
我方团队还可提供远程支持，远程协助小白用户搭建和调试好编程环境，用于应付老师代码抽查。这节省用户大量调研时间，省时省事。
home credit default risk（捷信违约风险）机器学习模型复现(论文
版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
版权归原作者 python风控模型 所有， 如有侵权，请联系我们删除。