使用 Minitab 预测分析模块预测抵押贷款违约

好酷屋

发布于2022-12-24

好酷屋教程网小编为您收集和整理了使用 Minitab 预测分析模块预测抵押贷款违约的相关教程：MinitabStatisticalSoftware中的预测分析模块在所有行业中都是非常宝贵的资产。业务价值可以通过预测措施产生，例如客户流失、患者住院时间、成本、风险、利润和许多其他因素。在

Minitab Statistical Software 中的预测分析模块在所有行业中都是非常宝贵的资产。业务价值可以通过预测措施产生，例如客户流失、患者住院时间、成本、风险、利润和许多其他因素。

在本文中，我们将研究银行业中的一个应用程序。对于银行来说，向错误的人提供抵押贷款可能是一个损失数十万美元的错误。鉴于这些风险，银行在决定批准或拒绝他们的抵押贷款申请之前了解他们的客户并对其做出预测是极其重要的。让我们看看 Minitab 的预测分析模块如何通过准确预测客户未来可能违约的情况来最大限度地减少抵押贷款违约的数量。

#了解贷款数据#

以下是分析中使用的观察数据的一部分。对以前的客户抵押贷款有1,645 项观察结果。C1 列显示响应变量或目标，如果该人拖欠抵押贷款，则是，如果没有，则否。其他 9 列包含我们将评估为潜在预测因子的特征。

#抵押贷款违约的现状#

下面的饼图帮助我们更好地了解借款人的抵押贷款违约率。我们看到 10% 的抵押贷款被拖欠。降低这个百分比可以大大增加利润。

#比较预测模型#

为了应对这一挑战，我们使用 Minitab 预测分析模块。

由于响应为是或否，我们将使用分类模型。如果对连续响应感兴趣，将使用基于树的回归模型。预测分析模块包含三种分类建模类型：

1. CART® 分类

2. 随机森林分类

3. TreeNet 分类

对于分类，评估模型拟合优度的主要指标之一是 ROC 曲线下的面积。该指标越接近 1 越好。模块中的三个建模引擎中的每一个都被利用，并比较了各自的 ROC 曲线下面积值。

TreeNet 分类产生的 ROC 曲线下面积为 0.9695。对于来自其他两个建模引擎的模型，该值优于 ROC 曲线下的区域，这意味着生成的 TreeNet 分类模型是抵押贷款违约的最佳预测模型。TreeNet Gradient Boosting 是 Minitab 中最灵活、屡获殊荣且功能最强大的机器学习工具，它能够始终如一地生成极其准确的模型。在三个建模引擎中，TreeNet 通常倾向于产生最好的结果。

#可视化重要变量#

我们首先将相对变量重要性图作为我们模型输出的一部分。相对变量重要性值的范围从 0% 到 100%，最重要的变量始终为 100%。债务对信用是预测抵押贷款违约最重要的变量，其次是债务对收入，是第二重要的变量。九个特征中的八个在某些方面对模型很重要。