👤 成员1 · 数据加载与初步探索 2分钟
📌 负责: 导入库、读取数据、查看基本信息、分析目标变量分布
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
df_train = pd.read_csv("Train_Dataset.csv")
print("原始数据形状:", df_train.shape)
print("前5行:\n", df_train.head())
print("数据信息:\n", df_train.info())
print("目标变量分布:\n", df_train['Default'].value_counts(normalize=True))
📖 讲解要点：
数据集共121856条记录，40列。发现缺失值和非数值类型，需要后续清洗。
目标变量 Default 中，违约（1）仅占8.73%，存在严重类别不平衡，必须处理，否则模型会偏向多数类。
数据集共121856条记录，40列。发现缺失值和非数值类型，需要后续清洗。
目标变量 Default 中，违约（1）仅占8.73%，存在严重类别不平衡，必须处理，否则模型会偏向多数类。
❓ 可能提问： 如何判断类别不平衡？不平衡带来什么问题？
✅ 回答：用 value_counts(normalize=True) 看比例，低于20%即为不平衡。会导致模型忽略少数类，违约客户几乎无法被正确识别。
✅ 回答：用 value_counts(normalize=True) 看比例，低于20%即为不平衡。会导致模型忽略少数类，违约客户几乎无法被正确识别。
🧹 成员2 · 数据清洗 2.5分钟
📌 负责: 删除无关列、处理特殊字符(& $ #VALUE!)、缺失值填充、重复值检查
# 删除无关列
drop_cols = ['ID', 'Application_Process_Day', 'Application_Process_Hour']
df_train.drop(columns=drop_cols, axis=1, inplace=True)
# 处理 Score_Source_3 中的 '&'
df_train['Score_Source_3'] = df_train['Score_Source_3'].astype(str).str.replace('&', '').replace('', np.nan).astype(float)
# 处理 Client_Income 和 Credit_Amount 中的 '$'
df_train['Client_Income'] = df_train['Client_Income'].astype(str).str.replace('$', '').replace('', np.nan).astype(float)
df_train['Credit_Amount'] = df_train['Credit_Amount'].astype(str).str.replace('$', '').replace('', np.nan).astype(float)
# 处理 Loan_Annuity 中的 '#VALUE!' 和 '$'
df_train['Loan_Annuity'] = df_train['Loan_Annuity'].astype(str).str.replace('#VALUE!', '').str.replace('$', '').replace('', np.nan).astype(float)
# 数值列均值填充缺失值
numeric_cols = df_train.select_dtypes(include=[np.number]).columns
for col in numeric_cols:
if df_train[col].isnull().any():
df_train[col].fillna(df_train[col].mean(), inplace=True)
print("是否有重复行:", df_train.duplicated().any())
📖 讲解要点：
- 删除 ID、申请日期、申请小时（与违约无直接关联）。
- 清理特殊字符：&、$、#VALUE! 等，转为数值类型。
- 数值列缺失值用均值填充（数据量大，均值稳定）。
- 本数据集无重复行。
- 删除 ID、申请日期、申请小时（与违约无直接关联）。
- 清理特殊字符：&、$、#VALUE! 等，转为数值类型。
- 数值列缺失值用均值填充（数据量大，均值稳定）。
- 本数据集无重复行。
❓ 可能提问： 为什么用均值而不是中位数？
✅ 回答：数值分布相对对称，且异常值已在前置步骤中过滤（票价>0等），均值代表整体水平。若异常值多，则中位数更稳健。
✅ 回答：数值分布相对对称，且异常值已在前置步骤中过滤（票价>0等），均值代表整体水平。若异常值多，则中位数更稳健。
⚙️ 成员3 · 特征编码 & 过采样 & 标准化 2.5分钟
📌 负责: 分类变量编码、划分数据集、随机过采样、标准化
from sklearn.preprocessing import OrdinalEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from imblearn.over_sampling import RandomOverSampler
# 分类变量顺序编码
categorical_cols = df_train.select_dtypes(include=['object', 'category']).columns
orEnc = OrdinalEncoder()
for col in categorical_cols:
df_train[col] = df_train[col].fillna('unknown')
df_train[col] = orEnc.fit_transform(df_train[col].astype(str).values.reshape(-1, 1))
X = df_train.drop('Default', axis=1)
y = df_train['Default']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 随机过采样 (只对训练集)
ros = RandomOverSampler(sampling_strategy='minority', random_state=42)
X_train_res, y_train_res = ros.fit_resample(X_train, y_train)
# 标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train_res)
X_test_scaled = scaler.transform(X_test) # 注意：只用transform
📖 讲解要点：
- 分类变量用 OrdinalEncoder 转换为整数。
- 划分训练集70% / 测试集30%，固定随机种子保证可复现。
- 使用 RandomOverSampler 对训练集少数类（违约）过采样，平衡类别。
- 标准化：消除量纲影响，测试集使用训练集的均值和标准差（避免数据泄露）。
- 分类变量用 OrdinalEncoder 转换为整数。
- 划分训练集70% / 测试集30%，固定随机种子保证可复现。
- 使用 RandomOverSampler 对训练集少数类（违约）过采样，平衡类别。
- 标准化：消除量纲影响，测试集使用训练集的均值和标准差（避免数据泄露）。
❓ 可能提问： 为什么不对测试集过采样？
✅ 回答：测试集必须保持真实分布，过采样会扭曲评估指标，导致结果不可靠。
✅ 回答：测试集必须保持真实分布，过采样会扭曲评估指标，导致结果不可靠。
📈 成员4 · 模型训练与评估 2.5分钟
📌 负责: 逻辑回归训练、训练集准确率、分类报告、混淆矩阵热力图
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix
logreg = LogisticRegression()
logreg.fit(X_train_scaled, y_train_res)
acc_train = round(logreg.score(X_train_scaled, y_train_res) * 100, 2)
print("训练集准确率:", acc_train, "%")
y_pred = logreg.predict(X_test_scaled)
print("\n分类报告:\n", classification_report(y_test, y_pred))
cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(6,5))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.title('混淆矩阵')
plt.xlabel('预测')
plt.ylabel('真实')
plt.show()
📖 讲解要点：
- 训练集准确率约64.5%，不高但无明显过拟合。
- 分类报告显示：违约类（1）召回率仅0.13，大量违约客户被漏报。
- 混淆矩阵直观显示：1405个真实违约中仅正确识别约180个，模型识别违约能力弱。
- 训练集准确率约64.5%，不高但无明显过拟合。
- 分类报告显示：违约类（1）召回率仅0.13，大量违约客户被漏报。
- 混淆矩阵直观显示：1405个真实违约中仅正确识别约180个，模型识别违约能力弱。
❓ 可能提问： 召回率低意味着什么？如何改进？
✅ 回答：银行会承受高坏账风险。可尝试更复杂的模型（XGBoost）、特征工程、SMOTE过采样或调整分类阈值。
✅ 回答：银行会承受高坏账风险。可尝试更复杂的模型（XGBoost）、特征工程、SMOTE过采样或调整分类阈值。
📊 成员5 · 预测可视化与总结 2分钟
📌 负责: 违约率饼图、ROC曲线、AUC、模型结论
from sklearn.metrics import roc_curve, auc
# 饼图
plt.figure(figsize=(6,6))
df_train['Default'].value_counts().plot.pie(autopct='%.2f%%', explode=[0.02,0.02], labels=['未违约','违约'])
plt.title('训练集违约率分布')
plt.show()
# ROC曲线
y_prob = logreg.predict_proba(X_test_scaled)[:, 1]
fpr, tpr, _ = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)
print("AUC:", round(roc_auc,4))
plt.figure(figsize=(8,6))
plt.plot(fpr, tpr, 'b', label=f'AUC = {roc_auc:.2f}')
plt.plot([0,1],[0,1],'r--')
plt.xlabel('假正率 (FPR)')
plt.ylabel('真正率 (TPR)')
plt.title('ROC曲线')
plt.legend()
plt.show()
📖 讲解要点：
- 饼图确认违约比例仅8.73%。
- ROC曲线下面积 AUC = 0.64，略优于随机猜测，但区分能力一般。
- 总结：成功完成完整建模流程，但模型性能有限，主要受限于特征与违约相关性弱及类别不平衡。未来可尝试集成学习、特征交叉或阈值调优。
- 饼图确认违约比例仅8.73%。
- ROC曲线下面积 AUC = 0.64，略优于随机猜测，但区分能力一般。
- 总结：成功完成完整建模流程，但模型性能有限，主要受限于特征与违约相关性弱及类别不平衡。未来可尝试集成学习、特征交叉或阈值调优。
❓ 可能提问： AUC=0.64在实际业务中够用吗？
✅ 回答：勉强可用，但通常需要0.7以上才有较好参考价值，可结合业务成本进一步优化。
✅ 回答：勉强可用，但通常需要0.7以上才有较好参考价值，可结合业务成本进一步优化。
✅ 答辩准备建议
- 提前运行代码，确保每人熟悉输出结果，并截取关键图表放入PPT。
- 时间控制：每人2-2.5分钟，衔接自然，留出提问时间。
- 着装整齐，礼貌回应老师提问，不会的问题可请同组补充或表示后续改进。
- 重点突出：不平衡处理、数据清洗、过采样、标准化、评估指标。