Klasyfikacja kredytobiorców

Projekt zrealizowany na przedmiocie NAI

s4611 Sławomir Stańczuk

s4499 Maciej Koltermann

Opis problemu

Do zanalizowania 1000 klientów pewnego banku w Niemczech. Każdy klient charakteryzuje się 20 atrybutami (między innymi: wiek, wielkość zarobki, rodzaj umowy zatrudnienia, historia poprzedniego kredytu,…) Wśród atrybutów jest 6 numerycznych i 14 symbolicznych. Są dwie klasy klientów: kompetentny (dobry) i niekompetentny (zły).

Predyktory ryzyka w modelu German credit

A1 Stan istniejącego rachunku a vista

A11 < 0 DEM

A12 w przedziale (0,200> DEM

A13 ≥ 200 DEM / pensja na rachunek min 1 rok

A14 brak rachunku

A2 Czas trwania w miesiącach

A3 Historia kredytowa

A30 bez kredytów / wszystkie kredyty spłacone

A31 wszystkie kredyty w tym banku spłacone

A32 istniejące kredyty spłacane regularnie

A33 opóźnienie w spłatach w przeszłości

A34 rachunek krytyczny / są inne kredyty (poza)

A4 Cel kredytu

A40 samochód (nowy)

A41 samochód (używany)

A42 meble / wyposażenie

A43 radio / telewizor

A44 artykuły gospodarstwa domowego

A45 naprawy

A46 edukacja

A47 wakacje

A48 szkolenie

A49 biznes

A410 inny cel

A5 Kwota kredytu

A6 Rachunki oszczędnościowe / obligacje

A61 < 100 DEM

A62 w przedziale <100, 500) DEM

A63 w przedziale <500, 1000) DEM

A64 ≥ 1000 DEM

A65 brak danych / brak rach. oszczędnościowego

A7 Okres obecnego zatrudnienia

A71 bezrobotny

A72 < 1 rok

A73 w przedziale <1, 4) lata

A74 w przedziale <4, 7) lat

A75 ≥ 7 lat

A8 Rata kredytu jako procent dochodu

A9 Stan cywilny i płeć

A91 M: rozwiedziony / w separacji

A92 K: rozwiedziona / w separacji / zamężna

A93 M: samotny

A94 M: żonaty / wdowiec

A95 K: samotna

A10 Inni dłużnicy / żyranci

A101 brak

A102 współaplikant wniosku

A102 żyrant

A11 Okres obecnego zamieszkania w latach

A12 Własność

A121 nieruchomość

A122 (jeśli nie A121)

     wkład do spółdzielni mieszk. / polisa na życie

A123 (jeśli nie A121 / A122)

     samochód lub in.

A124 nie wiadomo / bez własności

A13 Wiek w latach

A14 Inne powinności ratalne

A141 bank

A142 sklepy

A143 brak

A15 Mieszkanie

A151 wynajmowane

A152 własne

A153 za darmo

A16 Liczba kredytów w tym banku

A17 Praca

A171 bezrobotny / bez kwalifikacji – nierezydent

A172 bez kwalifikacji – rezydent

A173 kwalifikowany / urzędnik

A174 zarządca / własna firma / pracownik wy­soko kwalifikowany

A18 Liczba osób na utrzymaniu

A19 Telefon

A191 brak

A192 tak, zarejestrowany na nazwisko klienta

A20 Pracownik zagraniczny

A201 tak

A202 nie

 

Źródło: German credit data oraz opracowanie własne

Omówienie metod rozwiązania problemu

Opis implementacji

Wyniki eksperymentu

Correctly Classified Instances 193 96.5 %

Incorrectly Classified Instances 7 3.5 %

Kappa statistic 0.4436

Mean absolute error 0.0524

Root mean squared error 0.1723

Relative absolute error 73.9056 %

Root relative squared error 93.7133 %

Total Number of Instances 200

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure ROC Area Class

0.984 0.571 0.979 0.984 0.982 0.662 A201

0.429 0.016 0.5 0.429 0.462 0.662 A202

Weighted Avg. 0.965 0.552 0.963 0.965 0.964 0.662

=== Confusion Matrix ===

a b <-- classified as

190 3 | a = A201

4 3 | b = A202

Rodzaj testów i struktura drzewa

Number of Leaves : 61

Size of the tree : 77

Optymalne parametry

Dokumentacja techniczna

Zbiór przykładów liczących