1.数据清洗
2.缺失值分析
3.数据格式转换
4.特种工程
5.模型训练
6.建立混淆矩阵
1.数据清洗
数据源：数据集是Lending Club平台发生借贷的业务数据，共有52个变量，39522条数据
输出数据标签，初判断无用特征
很明显从常识来看"id"和"member_id"与银行是否对他进行放贷没有任何关系，"funded_amnt"(期望贷款的值)和"funded_amnt_inv" (实际发放的值)为预测后银行对该人贷款的金额，很明显与模型预测没有关系。
对于目标变量Loan_status有四个分类，后两者是指不符合信用政策的坏账或者完全支付的状态，我们认为是特殊情况的信贷，因此不予考虑，当缺失值处理，同时用0代表chaeged off(没有偿还能力/违约)，1代表fully paid(有偿还能力/完全支付)
在原始数据中的特征值里都是一样的，对于分类模型的预测是没有用的，过滤掉该特征
还剩下24列候选特征
2.缺失值分析
从统计结果中可以看出"title"和"revol_util"缺失值相对于数据总量来说较少，可以直接去掉缺失值所在的行，而"pub_rec_bankruptcies"中的缺失值较多，说明该数据统计的情况较差，在本文中直接将此特征删除即可
数据类型的转换：由于sklearn库不接受字符型的数据，所以还需要将上面特征中12个字符型的数据进行处理
3.数据格式转换
"purpose"和"title"表达的意思相近，且从输出结果可以看出"title"所含的属性较多，可以将其删掉
剩余的其他字符型特征，此处选择使用pandas的get_dummies()函数，直接映射为数值型
4.特征工程
什么时候用OneHotEncoder独热编码和LabelEncoder标签编码？
无序特征，就用OneHotEncoder，比如：天气，性别
有序特征，就用LabelEncoder，比如：职位，成立时间
5.模型训练
对于二分类问题，一般情况下，首选逻辑回归
6.建立混淆矩阵
计算fp/tp/fn/tn 4个指标
本质上期望TPR越高越好，FPR越低越好
tpr：比较高，能够还钱的人给他贷款
fpr：比较高，不能还钱的还是给他贷款
样本不均衡导致
对上述模型的预测结果进行简单的分析，发现tpr和fpr都达到了99.9%，模型几乎将所有的样本都判断为正例，通过对原始数据的了解，分析造成该现象的原因是由于正例样本数量太大，即样本不均衡造成模型对正例样本有所遍重，这里采用对样本添加权重值的方式进行调整