# Based ESC
## 项目简介
本项目主要实现**自动高阶特征交叉**和**自动特征赋权**的**个人信贷违约预测模型**,
通过个人信贷违约模型的高阶**特征交叉自动化**,模型自动学习客户特征交互关系,**拓展**模型学习信贷数据的潜在**广度**,克服人工特征工程的局限性;通过最后个人信贷违约模型的**自动特征赋权**,模型自动区分特征的重要性,**提升**模型学习信贷数据的潜在**深度**,**捕捉**违约客户的**关键特征**,将两者有机结合来实现**模型预测准确性**的**提高**。
模型使用**深宽模型(Wide&Deep)**结构,由**自注意力机制(Self-Attention)**+**交叉网络(CN)**构成。通过**高阶特征交叉**与**隐式交互**相结合,使得信用评分模型能够很好学习交互特征与客户违约的关系,最终实现模型预测准确性的提高。基于公开信贷的数据集,SACN融合模型优于其他主流的信贷违约预测模型,能够有效提高信贷违约的判断性能,兼具准确性和稳定性。
## 环境设置
`torch==1.10.1`
`numpy==1.21.5`
`pandas==1.2.4`
`sklearn==1.0.2`
该代码在`windows10`系统下使用`python 3.8`和`cuda10.1`进行训练
## 模型运行
模型训练请运行`SACN.pytorch/mian.py`
`SACN.pytorch/DT_*.py`为使用决策树分箱的特征工程流程代码
`SACN.pytorch/Chi_*.py`为使用卡方分箱的特征工程流程代码
**Gvie Me Some Credit数据集**划分数据集和特征工程流程请运行`DT_GMSC.py`或`Chi_GMSC.py`
**UCI_Credit_Card数据集**划分数据集和特征工程流程请运行`DT_UCI.py`或`Chi_UCI.py`
### 数据集选择
```
parser.add_argument('--user_train', default="data/user_train.csv") # 训练集
parser.add_argument('--user_test', default="data/user_test.csv") # 测试集
```
### 训练设备选择
```
parser.add_argument('--train_dir', default="cuda")
parser.add_argument('--device', default='cuda', type=str) # GPU训练
```
### 模型选择
```
parser.add_argument('--FMmode',default="CrossNet",type=str) # ['FM','AFM',"None","CrossNet","CIN"] 交叉层切换
```
## 对比模型
内含由于对比模型性能的XGboost\SVM\LR的模型文件
## 参考
LR/SVM/XGboost:采用`sklearn`建构
Wide&Deep:https://doi.org/10.1145/2988450.2988454
Attention-FM:https://doi.org/10.1109/ICDMW51313.2020.00056
DCN:https://arxiv.org/pdf/1708.05123.pdf
没有合适的资源?快使用搜索试试~ 我知道了~
基于python的个人信贷违约预测识别项目源码(高分项目).zip
共49个文件
pdf:14个
py:11个
csv:10个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 65 浏览量
2024-04-26
10:23:01
上传
评论
收藏 24.16MB ZIP 举报
温馨提示
基于python的个人信贷违约预测识别项目源码(高分项目).zip 已获导师指导并通过的97分的高分期末大作业设计项目,可作为课程设计和期末大作业,下载即用无需修改,项目完整确保可以运行。本项目主要实现自动高阶特征交叉和自动特征赋权的个人信贷违约预测模型。通过个人信贷违约模型的高阶特征交叉自动化,模型自动学习客户特征交互关系,拓展模型学习信贷数据的潜在广度,克服人工特征工程的局限性;通过最后个人信贷违约模型的自动特征赋权,模型自动区分特征的重要性,提升模型学习信贷数据的潜在深度,捕捉违约客户的关键特征,将两者有机结合来实现模型预测准确性的提高。 模型使用深宽模型(Wide&Deep)结构,由自注意力机制(Self-Attention)+交叉网络(CN)构成。通过高阶特征交叉与隐式交互相结合,使得信用评分模型能够很好学习交互特征与客户违约的关系,最终实现模型预测准确性的提高。基于公开信贷的数据集,SACN融合模型优于其他主流的信贷违约预测模型,能够有效提高信贷违约的判断性能,兼具准确性和稳定性。 基于python的个人信贷违约预测识别项目源码(高分项目).zip基于python的
资源推荐
资源详情
资源评论
收起资源包目录
基于机器学习的个人信贷违约预测识别项目源码.zip (49个子文件)
ESC-master
对比模型
credit_SVM_new.py 3KB
credit_RandomForest.py 3KB
credit_XGboost.py 3KB
credit_LogistRegression.py 3KB
参考论文
AttentionFM.pdf 510KB
用于推荐系统的图卷积交叉网络_王玮皓.pdf 1.18MB
Time Interval Aware Self-Attention for Sequential Recommendation.pdf 4.92MB
liu2020.pdf 616KB
大数据风控有效吗_——基于...卡与机器学习模型的对比分析_刘志惠.pdf 577KB
一个以注意力机制结合隐式和...的特征交叉的CTR预估模型_王越.pdf 429KB
Factorization Machines with libFM.pdf 399KB
多注意力机制融合低高阶特征的神经推荐算法_崔少国.pdf 762KB
IPM19-HoAFM.pdf 1.74MB
xDeepFM.pdf 1.44MB
自注意力信用评估模型_刘欣阳.pdf 1.67MB
P2P网贷平台借款人信用风险评估模型适应性研究_谢陈昕.pdf 2MB
2020WSDM-translate.pdf 3.96MB
基于卷积神经网络的客户信用评估模型研究_刘伟江 (1).pdf 1.56MB
.idea
based-saafm.iml 493B
inspectionProfiles
profiles_settings.xml 174B
modules.xml 743B
ESC.pytorch
utils.py 3KB
python_lib.txt 4KB
main.py 7KB
data
UCI_Credit_Card_train_DT.csv 1.13MB
user_train_chi.csv 2.97MB
user_train_DT.csv 3.01MB
Chi_GMSC.py 10KB
UCI_Credit_Card_test_chi.csv 473KB
UCI_Credit_Card.csv 2.73MB
Chi_UCI.py 10KB
user_test_DT.csv 1.29MB
UCI_Credit_Card_train_chi.csv 1.08MB
DT_UCI.py 7KB
DT_GMSC.py 9KB
.ipynb_checkpoints
data_deal-checkpoint.ipynb 652B
user_test_chi.csv 1.27MB
cs-training.csv 7.07MB
UCI_Credit_Card_test_DT.csv 495KB
model.py 20KB
.idea
workspace.xml 20KB
SASRec.pytorch-master.iml 438B
misc.xml 295B
inspectionProfiles
profiles_settings.xml 174B
modules.xml 294B
ml-1m_cuda
log.txt 0B
args.txt 197B
.gitignore 34B
README.md 2KB
共 49 条
- 1
资源评论
不安分的小女孩
- 粉丝: 9974
- 资源: 2391
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功