纸上得来终觉浅，绝知此事要躬行！

实验要求：

• 鼓励交流但需独立完成，按照自己思路进行数据处理和分析。
• 展示的图表能传达有效信息。排列规整、配色统一、简洁大方，适当评述。图的横纵坐标标示清楚（如有单位需要标注），图标题明确。
• 实验报告清晰、完整、有分析内容，不能仅有图表。优秀的报告有额外奖励分。
• 实验报告在word文档创作，请包含代码。不限定结果实现的软件。
• 作业内外注明学号、姓名、班级（专业+周几）及实验内容。
• 提交时间：以老师通知的为准。
• 提交地址：课程系统

任务1：数据准备

• Step 1. 数据清洗：如缺失值处理，特殊字符型变量处理；
• Step 2.  生成目标变量Y和预测变量X。响应变量Y：好人fully paid为1，坏人charged off为0。特征变量X为数值型变量（分类变量需转化成数值，如可采用虚拟变量法）。

任务2：建立决策树模型

• Step 1.  将总样本区分训练集和测试集样本。
• Step 2.  使用训练集估计决策树模型。
• Step 3. 汇报AUC。

提交日期：7月1日

任务1：数据准备

• Step1：数据清洗：缺失值、异常值、重复值、特殊字符等处理；
• Step2：数据转换：1. 分类变量可经过证据权重或哑变量等方式转变为数值型变量；2. 连续变量可直接使用，也可通过分箱进行离散化继而求得证据权重。
• Step3：生成目标变量Y和预测变量X。响应变量Y：好人fully paid为1，坏人charged off为0。特征变量X为数值型变量。

任务2：建立逻辑回归模型

• Step1：区分训练集和测试集样本。
• Step2：使用训练集估计模型。
• Step3：画出ROC曲线
• Step4：汇报AUC值，比较训练集和测试集AUC

任务3：分数校准

• Step1：用逻辑回归的概率估计结果，将分数映射到0-1000分的区间
• Step2：设定分数基准点和分差变化代表的信用质量变化，进行分数的线性变换
• Step3：画出好人和坏人映射后的分数分布图，以每20分一个区间。

提交日期：6月15日

任务1：数据准备

• Step1：数据清洗：缺失值、异常值、重复值、特殊字符等处理；
• Step2：数据转换：1. 分类变量可经过证据权重或哑变量等方式转变为数值型变量；2. 连续变量可直接使用，也可通过分箱进行离散化继而求得证据权重。
• Step3：生成目标变量Y和预测变量X。响应变量Y：好人fully paid为1，坏人charged off为0。特征变量X为数值型变量。

​任务2：建立线性判别分析模型

• Step1：区分训练集和测试集样本。
• Step2：使用训练集估计模型。

任务3：ROC曲线

• Step1：画出ROC曲线
• Step2：汇报AUC值，比较训练集和测试集AUC

提交日期：5月25日

任务1：数据准备

• Step1：定义好坏：好人fully paid为0，坏人charged off为1。
• Step2：对数据表中“黄色”“绿色”“蓝色”部分，进行数据处理和数据变换（如缺失值处理等）。
• Step3：对预测变量做相关性分析，建立相关系数矩阵。
• Step4：剔除相关性较高（相关系数>0.7）的变量之一。
• Step5：输出剔除后的相关性矩阵。
• Step6：将整理好的目标变量和预测变量放到新的数据表中，准备建模。

任务2：建立线性回归模型并预测分数

• Step1：区分训练集和测试集样本。
• Step2：使用训练集估计模型
• Step3：使用测试集输出模型预测得分，并解读。

任务3：画出混淆矩阵

• Step1：将模型预测的分数排序，确定cut-off值（自行选择确定方法，有理有据即可），判断好坏，用0/1标签表示。注意：分数的大小所表示含义应与前面好人与坏人的设定保持一致。
• Step2：画出混淆矩阵（交叉表格）。
• Step3：根据混淆矩阵，计算特异度、敏感度、第一类错误率和第二类错误率、总准确率。

提交日期：5月9日

任务1：虚拟变量

• Step1：将grade转换为虚拟变量。
• Step2：用图形展示新属性的好坏比率。

任务2：粗分类

• Step1：将grade粗分类。考虑等级与好坏比率的非线性关系，合理合并分组。
• Step2：用图形展示粗分类前后的好坏比率对比。

任务3：证据权重和信息值

• Step1：用粗分类后的grade新属性，计算其WOE数值。报告WOE表格，并计算信息值。
• Step2：用grade_WOE替换原特征。

提交日期：4月23日

任务1：数据描述

• Step1：查阅数据字典，理解各字段。根据各字段意义和特点进行归类，写出对每个字段的中文解读。
• Step2：对所有部分检查缺失值情况，统计缺失值数量（总体和各变量），并删除缺失行数据。
• Step3：对“绿色”部分每个字段进行描述统计，计算频数。
• Step4：对“蓝色”部分每个字段进行描述统计，计算最大值/最小值/均值/标准差/25%分位数/75%分位数。
• Step5：emp_length各类别贷款申请者的平均贷款额度（loan_amnt）及平均贷款利率(int_rate)
• Step6：Grade各等级贷款申请者中的好人和坏人比例

任务2：数据可视化

• Step1：Grade各等级频数的折线图
• Step2：emp_length的圆饼图
• Step3：不同home_ownership类别中的好人和坏人比例

提交日期：4月2日