포스코 Ai·Big data 아카데미 24기 1차 프로젝트

• CustomerId: 고객 ID
• Gender: 성별
• Age: 연령(년)
• Education: 교육수준
• MaritalStatus: 결혼상태
• FamilyCount: 가족수
• ChildCount: 자녀수
• IncomeType: 수입 형태(유형)
• IncomeClass: 수입등급(년)
• Occupation: 고객 직업군
• OrgType: 직장유형
• EmployedYears: 근속년수(년)
• HouseOwnerdYN: 주택 소유 여부(Y,N)
• ResideneClass: 주거등급
• HouseAge 주택 나이(년) - 결측치 많음
• CarOwnerdYN: 대출신청 차량 외 자동차 소유 여부
• LoadId: 고객대출ID
• Default: 대출 상환여부(Y,N)
• ActiveLoanYN: 대출 신청 당시 활성 대출 유무
• LoanType: 대출유형(할부금융,오토론)
• ApplWeek: 대출신청요일(월~금)
• ApplHour: 대출신청시간대
• Accompany: 대출 신청시 동행자
• CarPrice: 차량 가격
• Deposit: 현금비율
• LoanTerm: 대출기간
• LoanRemainTerm: 대출잔여기간
• InterestType: 금리유형(고정, 변동, 혼합)
• InterestRate: 대출금리
• LoanAmount: 대출금
• InstallAmount: 월납입액
• LoanRemainAmount: 대출잔액
• HomeAddMatchedYN: 집주소 일치 여부
• WorkAddMatchedYN: 직장주소 일치 여부
• InquiryCount: 대출 전년도 문의건수(건)
• IdChangedYears: 신분증 변경 후 경과기간
• InfoChangedYears: 고객정보 변경 후 경과기간
• PhoneChangedYears: 휴대전화 변경 후 경과기간
• ScoreA: 신용점수(A사)
• ScoreB: 신용점수(B사)
• ScoreC: 신용점수(C사)

• category feature의 전처리가 필수적으로 중요
• CatBoost를 활용하여 category feature들을 지정하여 모델의 성능을 높힘
• LightGBM, XGBoost와 비교 후 더 나은 성능을 보임

• Lightgbm, XGBoost, CatBoost 경우 조기 중단 예측 파라미터 튜닝
• RandomForest와 GradientBoosting 모델은 직접 하이퍼파라미터 튜닝
• 최단시간에 최고효율이 나오게끔 함

• DT 모델 기반 변수 중요도 결과 기반 변수 가중치 설정
• DT 그래프 구조 분석으로 변수별 값에 대한 가중치 설정

Passion-Award