查看原文
其他

实战 | 贷还是不贷:如何用Python和机器学习帮你决策?

2017-06-20 王树义 AI科技大本营


作者 | 王树义

整理 | AI100(ID:rgznai100)



耳闻目睹了机器学习的诸般神奇,有没有冲动打算自己尝试一下?本文我们通过一个贷款风险评估的案例,用最通俗的语言向你介绍机器学习的基础招式,一步步帮助你用Python完成自己的第一个机器学习项目。试过之后你会发现,机器学习真的不难。


 ▍任务


祝贺你,成功进入了一家金融公司实习。


第一天上班,你还处在兴奋中。这时主管把你叫过去,给你看了一个文件。


文件内容是这个样子的: 



主管说这是公司宝贵的数据资产。嘱咐你认真阅读,并且从数字中找出规律,以便做出明智的贷款决策。


每一行数据,都代表了之前的一次贷款信息。你琢磨了很久,终于弄明白了每一列究竟代表什么意思:

  • grade:贷款级别

  • sub_grade: 贷款细分级别

  • short_emp:一年以内短期雇佣

  • emplengthnum:受雇年限

  • home_ownership:居住状态(自有,按揭,租住)

  • dti:贷款占收入比例

  • purpose:贷款用途

  • term:贷款周期

  • lastdelinqnone:贷款申请人是否有不良记录

  • lastmajorderog_none:贷款申请人是否有还款逾期90天以上记录

  • revol_util:透支额度占信用比例

  • totalreclate_fee:逾期罚款总额

  • safe_loans:贷款是否安全

最后一列,记录了这笔贷款是否按期收回。拿着以前的这些宝贵经验教训,主管希望你能够总结出贷款是否安全的规律。在面对新的贷款申请时,从容和正确应对。


主管让你找的这种规律,可以用决策树来表达。


 ▍决策


我们来说说什么是决策树。


决策树长得就像这个样子:


做决策的时候,你需要从最上面的节点出发。在每一个分支上,都有一个判断条件。满足条件,往左走;不满足,向右走。一旦走到了树的边缘,一项决策就完成了。


例如你走在街上,遇见邻居老张。你热情地打招呼:


“老张,吃了吗?”


好了,这里就是个分支。老张的回答,将决定你的决策走向,即后面你将说什么。


第一种情况。


老张:吃过了。


你:要不来我家再吃点儿?


第二种情况。


老张:还没吃。


你:那赶紧回家吃去吧。再见!

……

具体到贷款这个实例,你需要依次分析申请人的各项指标,然后判定这个贷款申请是否安全,以做出是否贷款给他的决策。把这个流程写下来,就是一棵决策树。


作为一名金融界新兵,你原本也是抱着积极开放的心态,希望多尝试一下的。但是当你把数据表下拉到最后一行的时候,你发现记录居然有46509条!



你估算了一下自己的阅读速度、耐心和认知负荷能力,觉得这个任务属于Mission Impossible(不可能完成),于是开始默默地收拾东西,打算找主管道个别,辞职不干了。


且慢,你不必如此沮丧。因为科技的发展,已经把一项黑魔法放在了你的手边,随时供你取用。它的名字,叫做机器学习。


 ▍学习


什么叫机器学习?


从前,人是“操作”计算机的。一项任务如何完成,人心里是完全有数的。人把一条条指令下达给电脑,电脑负责傻呵呵地干完,收工。


后来人们发现,对有些任务,人根本就不知道该怎么办。


前些日子的新闻里,你知道Alpha Go和柯洁下围棋。柯洁不仅输了棋,还哭了。



可是制造Alpha Go的那帮人,当真知道怎样下棋,才能赢过柯洁吗?你就是让他们放弃体育家精神,攒鸡毛凑掸子一起上,跟柯洁下棋……你估计哭的是谁?


一帮连自己下棋,都下不赢柯洁的人,又是如何制作出电脑软件,战胜了人类围棋界的“最强大脑”呢?


答案正是机器学习。


你自己都不知道如何完成的任务,自然也不可能告诉机器“第一步这么干,第二步那么办”,或者“如果出现A情况,打开第一个锦囊;如果出现B情况,打开第二个锦囊”。


机器学习的关键,不在于人类的经验和智慧,而在于数据。


本文我们接触到的,是最为基础的监督式学习(supervised learning)。监督式学习利用的数据,是机器最喜欢的。这些数据的特点,是都被打了标记。


主管给你的这个贷款记录数据集,就是打了标记的。针对每个贷款案例,后面都有“是否安全”的标记。1代表了安全,-1代表了不安全。


机器看到一条数据,又看到了数据上的标记,于是有了一个假设。


然后你再让它看一条数据,它就会强化或者修改原先的假设。


这就是学习的过程:建立假设——收到反馈——修正假设。在这个过程中,机器通过迭代,不断刷新自己的认知。


这让我想起了经典相声段子“蛤蟆鼓”里面的对话片段。

甲:那我问问你,蛤蟆你看见过吧?

乙:谁没见过蛤蟆呀。

甲:你说为什么它那么小的动物,叫唤出来的声音会那么大呢?

乙:那是因为它嘴大肚儿大脖子粗,叫唤出来的声音必然大。万物都是一个理。

甲:我家的字纸篓子也是嘴大脖子粗,为什么它不叫唤哪?

乙:字纸篓是死物,那是竹子编的,不但不叫,连响都响不了。

甲:吹的笙也是竹子的,怎么响呢?

乙:虽然竹子编的,因为它有窟窿有眼儿,有眼儿的就响。

甲:我家筛米的筛子尽是窟窿眼儿,怎么吹不响? 这里相声演员乙,就一直试图建立可以推广的假设。可惜,甲总是用新的例证摧毁乙的三观。

在四处碰壁后,可怜的机器跌跌撞撞地成长。看了许许多多的数据后,电脑逐渐有了自己对一些事情判断的想法。我们把这种想法叫做模型。


之后,你就可以用模型去辅助自己做出明智的判断了。


下面我们开始动手实践。用Python做个决策树出来,辅助我们判断贷款风险。


 ▍准备


使用Python和相关软件包,你需要先安装Anaconda套装。详细的流程步骤请参考《 如何用Python做词云 》一文(http://www.jianshu.com/p/e4b24a734ccc)。


主管给你展示的这份贷款数据文件,请从 这里(https://s3-us-west-2.amazonaws.com/notion-static/89508650eb6f44b5b856dcc4b6fe2251/loans.csv) 下载。


文件的扩展名是csv,你可以用Excel打开,看看是否下载正确。 

如果一切正常,请把它移动到咱们的工作目录demo里面。


到你的系统“终端”(macOS, Linux)或者“命令提示符”(Windows)下,进入我们的工作目录demo,执行以下命令。

pip install -U PIL

运行环境配置完毕。


在终端或者命令提示符下键入:

jupyter notebook


Jupyter Notebook已经正确运行。下面我们就可以正式编写代码了。


 ▍代码


首先,我们新建一个Python 2笔记本,起名叫做loans-tree。


为了让Python能够高效率处理表格数据,我们使用一个非常优秀的数据处理框架Pandas。

import pandas as pd

然后我们把loans.csv里面的内容全部读取出来,存入到一个叫做df的变量里面。

df = pd.read_csv('loans.csv')

我们看看df这个数据框的前几行,以确认数据读取无误。

df.head()


因为表格列数较多,屏幕上显示不完整,我们向右拖动表格,看表格最右边几列是否也正确读取。


经验证,数据所有列都已读入。


统计一下总行数,看是不是所有行也都完整读取进来了。

df.shape

运行结果如下:

(46508, 13)

行列数量都正确,数据读取无误。


你应该还记得吧,每一条数据的最后一列safe_loans是个标记,告诉我们之前发放的这笔贷款是否安全。我们把这种标记叫做目标(target),把前面的所有列叫做“特征”(features)。这些术语你现在记不住没关系,因为以后会反复遇到。自然就会强化记忆。


下面我们就分别把特征和目标提取出来。依照机器学习领域的习惯,我们把特征叫做X,目标叫做y。

X = df.drop('safe_loans', axis=1) y = df.safe_loans

我们看一下特征数据X的形状:

X.shape

运行结果为:

(46508, 12)

除了最后一列,其他行列都在。符合我们的预期。我们再看看“目标”列。

y.shape

执行后显示如下结果:

(46508,)

这里的逗号后面没有数字,指的是只有1列。

我们来看看X的前几列。

X.head()

运行结果为:


注意这里有一个问题。Python下做决策树的时候,每一个特征都应该是数值(整型或者实数)类型的。但是我们一眼就可以看出,grade, subgrade, homeownership等列的取值都是类别(categorical)型。所以,必须经过一步转换,把这些类别都映射成为某个数值,才能进行下面的步骤。


那我们就开始映射吧:

from sklearn.preprocessing import LabelEncoder from collections import defaultdict d = defaultdict(LabelEncoder) X_trans = X.apply(lambda x: d[x.name].fit_transform(x)) X_trans.head()

运行结果是这样的:



这里,我们使用了LabelEncoder函数,成功地把类别变成了数值。小测验:在grade列下面,B被映射成了什么数字?


请对比两个表格,思考10秒钟。


答案是1。你答对了吗?


下面我们需要做的事情,是把数据分成两部分,分别叫做训练集和测试集。


为什么这么折腾?


因为有道理。


想想看,如果期末考试之前,老师给你一套试题和答案,你把它背了下来。然后考试的时候,只是从那套试题里面抽取一部分考。你凭借超人的记忆力获得了100分。请问你学会了这门课的知识了吗?不知道如果给你新的题目,你会不会做呢?答案还是不知道。


所以考试题目需要和复习题目有区别。同样的道理,我们用数据生成了决策树,这棵决策树肯定对已见过的数据处理得很完美。可是它能否推广到新的数据上呢?这才是我们真正关心的。就如同在本例中,你的公司关心的,不是以前的贷款该不该贷。而是如何处理今后遇到的新贷款申请。


把数据随机拆分成训练集和测试集,在Python里只需要2条语句就够了。

from sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(X_trans, y, random_state=1)

我们看看训练数据集的形状:

X_train.shape

运行结果如下:

(34881, 12)

测试集呢?

X_test.shape

这是运行结果:

(11627, 12)

至此,一切数据准备工作都已就绪。我们开始呼唤Python中的scikit-learn软件包。决策树的模型,已经集成在内。只需要3条语句,直接调用就可以,非常方便。

from sklearn import tree clf = tree.DecisionTreeClassifier(max_depth=3) clf = clf.fit(X_train, y_train)

好了,你要的决策树已经生成完了。


就是这么简单。任性吧?


可是,我怎么知道生成的决策树是个什么样子呢?眼见才为实!


这个……好吧,咱们把决策树画出来吧。注意这一段语句内容较多。以后有机会咱们再详细介绍。此处你把它直接抄进去执行就可以了。

with open("safe-loans.dot", 'w') as f:

     f = tree.export_graphviz(clf,

                              out_file=f,

                              max_depth = 3,

                              impurity = True,

                              feature_names = list(X_train),

                              class_names = ['not safe', 'safe'],

                              rounded = True,

                              filled= True )


from subprocess import check_call

check_call(['dot','-Tpng','safe-loans.dot','-o','safe-loans.png'])


from IPython.display import Image as PImage

from PIL import Image, ImageDraw, ImageFont

img = Image.open("safe-loans.png")

draw = ImageDraw.Draw(img)

img.save('output.png')

PImage("output.png")

见证奇迹的时刻到了:


你是不是跟我第一次看到决策树的可视化结果一样,惊诧了?


我们其实只让Python生成了一棵简单的决策树(深度仅3层),但是Python已经尽职尽责地帮我们考虑到了各种变量对最终决策结果的影响。


 ▍测试


欣喜若狂的你,在悄悄背诵什么?你说想把这棵决策树的判断条件背下来,然后去做贷款风险判断?


省省吧。都什么时代了,还这么喜欢背诵?


以后的决策,电脑可以自动化帮你完成了。


你不信?


我们随便从测试集里面找一条数据出来。让电脑用决策树帮我们判断一下看看。

test_rec = X_test.iloc[1,:] clf.predict([test_rec])

电脑告诉我们,它调查后风险结果是这样的:

array([1])

之前提到过,1代表这笔贷款是安全的。实际情况如何呢?我们来验证一下。从测试集目标里面取出对应的标记:

y_test.iloc[1]

结果是:

1

经验证,电脑通过决策树对这个新见到的贷款申请风险判断无误。


但是我们不能用孤证来说明问题。下面我们验证一下,根据训练得来的决策树模型,贷款风险类别判断准确率究竟有多高。

from sklearn.metrics import accuracy_score accuracy_score(y_test, clf.predict(X_test))

虽然测试集有近万条数据,但是电脑立即就算完了:

0.61615205986066912

你可能会有些失望——忙活了半天,怎么才60%多的准确率?刚及格而已嘛。


不要灰心。因为在整个儿的机器学习过程中,你用的都是缺省值,根本就没有来得及做一个重要的工作——优化。


想想看,你买一台新手机,自己还得设置半天,不是吗?面对公司的贷款业务,你用的竟然只是没有优化的缺省模型。可即便这样,准确率也已经超过了及格线。


关于优化的问题,以后有机会咱们详细展开来聊。


你终于摆脱了实习第一天就灰溜溜逃走的厄运。我仿佛看到了一颗未来的华尔街新星正在冉冉升起。


苟富贵,无相忘哦。


 ▍讨论


贷款风险判断之外,你觉得决策树还有哪些用武之地?除了本文提到的决策树,你还知道哪几种用于分类的机器学习算法?欢迎留言分享给大家,我们一起交流讨论。


原文地址

http://www.jianshu.com/p/67a71e366516





招聘


AI100现招聘技术编辑、实习生,有意向请将简历投往:puge@ai100.ai

咨询请联系微信greta1314




课程结合实例介绍使用TensorFlow开发机器学习应用的详细方法和步骤,着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法,并结合实际场景和例子描述了深度学习技术的应用范围与效果。 所有案例均来自讲师团队工作中的亲身实践,所选案例均是深度学习的经典应用,非常具有代表性。


  点击下方“阅读原文”查看更多内容。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存