本文针对某信贷网站提供的2007-2011年贷款申请人的各项评估指标，运用python、pandas及sklearn，对初始数据进行数据清理，并结合机器学习的一些算法，建立关于信贷申批的简单模型，可作为了解数据分析流程，入门机器学习的小案例。
数据来源：https://www.lendingclub.com/info/download-data.action,
1.加载数据。
2.了解各数据特征在业务中的含义。观察数据特征，对数据进行简单的清理，主要清理与业务相关性不大的内容，此处的相关性大小凭业务知识进行粗略判断，如申请人的id，member_id，url，公司名emp_title等。
3.观察数据中数据特征“loan_status”,有两个取值，“Fully paid”和“Charged Off”(其他取值样本较少，是否贷款含义不明，直接舍弃)，表示同意贷款和不同意贷款，将此特征作为及其学习的标签列，由于sklearn中各及其学习模型值接受数值类型的数据类型，所以我们将“loan_status”映射为数值类型。
4.删除数据中取值唯一的特征，只取一个值的特征，对我们的模型训练没有意义。
5.处理数据中的空缺值，本文的处理原则是：对于某一特征，如果出现空值的样本较少，则删除在此特征商为空值的样本；如果去空值的样本数量较多，则选择删除该特征。当然还有许多其他的空缺值处理方式，如替换，可自己根据实际需要进行选择。有上述原则知，我们需要对各特征出现空值的数量进行统计。
6.观察结果，发现有四个特征有取空值的情况，其中三个空值数量较少，我们删除对应的样本，另外一个特征“pub_rec_bankruptcies”，空值数量较多，我们删除该特征。
7.观察需要进一步处理的字符型特征
8.对于“emp_length”可以直接映射为数值型 ，对于“int_rate”，“revol_util”可以去掉百分号，然后转换为数值型，对于含义重复的特征，如“purpose”和“title”，都表示贷款意图，可选择删除一个，其他与模型训练无关的特征选择删除
9.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。
10.到此为止，数据处理部分已经完成，保存清理好的数据，接下来是运用机器学习算法建模的过程。对于二分类问题，一般情况下，首选逻辑回归，这里我们引用sklearn库。首先定义模型效果的评判标准。根据贷款行业的实际情况，为了实现利润最大化，我们不仅要求模型预测正确率较高，同时还要尽可能的让错误率较低，这里采用两个指标tpr和fpr。同时该模型采用交叉验证(KFold，分组数采用默认的最好的分组方式)进行学习。
11.对上述模型的预测结果进行简单的分析，发现错误率和正确率都达到99.9%，错误率太高，通过观察预测结果发现，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政府样本数量相差太大，即样本不均衡造成模型对正例样本有所偏重，大家可以通过下采样或上采用对数据进行处理，这里采用对样本添加权重值的方式进行调整，首先采用默认的均衡调整。
12.新的结果降低了错误率约为40%，但正确率也下降约为65%，因此有必要再次尝试，可以采取自定义权重值的方式。
13.新的结果错误率约为47%，正确率约为73%，大家仍可根据需要继续调整，但调整策略并不限于样本权重值这一中，下面使用随机森林建立模型。
总结：以上案例不是着重给出一个正确率的预测模型，只是给出使用机器学习建模的一般流程，分为两大部分：数据处理和模型学习，第一部分需要大量的街舞知识对原始数据进行清理及特征提取，第二部分模型学习，涉及长时间的模型参数调整，调整方向和策略需要大家进一步的研究。一下是模型效果不理想时，可以考虑的调整策略：
1.调节正负样本的权重参数。
2.更换模型算法。
3.同时几个使用模型进行预测，然后取去测的最终结果。
4.使用原数据，生成新特征。
5.调整模型参数。