주제

신용대출 심사

• 고객사는 ## 은행입니다. 신용평가 업무를 인공지능으로 전환하고자 여러분에게 모델링을 의뢰하였습니다.

• 대출업무는

  • 은행 창구에서 신청을 받고
  • 본사의 심사부서에서는 신용평가를 통해 대출 신청에 대한 승인 여부를 결정해 왔습니다.

• 현장의 요구

  • 경쟁사의 공격적인 대출상품 판매로, 본사에서는 자사 은행의 대출 실적이 줄어들고 있는 것에 부담을 느끼고 있습니다.
  • 그런데, 자사 은행에서는 신용평가 결과의 정확성에 의문을 품고 있으며, 신용평가 기준을 완화하여 가급적 대출승인 범위를 더 확대해 주기를 요구합니다.

• 신용평가 업무를 인공지능으로 전환

  • 현장의 요구를 감안하여, 과거 사람이 하던 평가방식을 개선하고자 인공지능에 의한 예측 모델을 만들고, 정확도를 높이고자 합니다.

---

import

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

from statsmodels.graphics.mosaicplot import mosaic

import scipy.stats as spst

read_file

path = 'https://raw.githubusercontent.com/DA4BAM/dataset/master/credit_all.csv'
df = pd.read_csv(path)
df.loc[df['Payment'] == 4 , 'Payment'] = 3 # 신용등급 4 -> 3 으로 변경 
df.drop(['Telephone','ForeignWorker','Dependents'], axis = 1, inplace = True) # 열을 삭제
df.head()

• 신용등급 변경 + 필요없는 열 삭제

범주/숫자 분류

범주형 변수

• Creditability(target) , Account Balance , Payment , Purpose , Employment , SexMarital , CurrentAddress , MostValuable , AppartmentType , NoCredits , Occupation

숫자형 변수

• CreditAmount , Age , Duration

단변량 분석(숫자)

def univariate_fuction(target , df , bins = 30):
display(df[[target]].describe().T)

    print('-' * 70)
    
    plt.figure(figsize = (8,16))
    plt.subplot(3,1,1)
    sns.histplot(x = target , data = df , bins = bins)
    plt.title(f'histogram of {target}')
    plt.xlabel(target)
    
    plt.subplot(3,1,2)
    sns.kdeplot(df[target])
    plt.title(f'kdechart of {target}')
    plt.xlabel(target)
    
    plt.subplot(3,1,3)
    sns.boxplot(df[target])
    plt.title(f'boxchart of {target}')
    plt.xlabel(target)
    
    plt.grid()
    plt.show()

• 숫자형 단변량 분석은 , histplot(히스토그램) , kdeplot(밀도 차트) , boxplot(사분위수) 를 체크 하여 데이터를 분석한다.

단변량 분석 (범주)

def univariate_function2(target , df):
    print(f'{target} 의 빈도')
    display(df[target].value_counts())
    print('-' * 70)
    print(f'{target} 의 빈도율')
    display(df[target].value_counts(normalize = True))
    print('-' * 70)
    plt.figure(figsize = (8,16))
    plt.subplot(2,1,1)
    sns.countplot(x = target , data = df)
    plt.title(f'countplot of {target}')
    plt.grid()
    
    plt.subplot(2,1,2)
    value = df[target].value_counts()
    plt.pie(value ,labels = value.index,autopct = '%.2f%%')

• 범주형 단변량 분석은 빈도와 빈도율 을 체크하고 그것을 통해 countplot 과 pie chart 를 통해 범주별 비율을 분석한다.

이변량 분석 (숫자 -> 범주)

def bivariate_function(var , target , df):
    plt.figure(figsize = (8,16))
    plt.subplot(2,1,1)
    sns.kdeplot(x = var , data = df , hue = target , common_norm=False)
    plt.grid()
    
    plt.subplot(2,1,2)
    sns.kdeplot(x = var , data = df , hue = target , multiple = 'fill')
    plt.axhline(df[target].mean() , color = 'r')
    plt.show()

• 밀도 함수의 여러가지 조건과 , 범주형의 평균과 비교하여 영향이 있는지 판단해야 한다.

이변량 분석 (범주 -> 범주)

def bivariate_function2(var,target ,data):
    table = pd.crosstab(df[var] , df[target])
    print(table)
    mosaic(df , [var , target])
    plt.axhline(df[target].mean() , color = 'r')
    plt.show()
    
    print(spst.chi2_contingency(table))