基於R語言的信用卡逾期邏輯迴歸模型
資料來源
採用某銀行30000客戶的信用卡消費情況。
讀取資料來源：
data <- read。csv（file = ‘E：\\data\\Credit_Card。csv’，header = T）
head（data）
檢視資料集中個欄位的表現情況：
summary（data）
資料字典
資料處理
由資料彙總中可以看到， MARRIAGE欄位含有其他狀態0的狀態，使用table（data$MARRIAGE）檢視MARRIAGE值分佈情況。
MARRIAGE 0 1 2 3
數量 54 13659 15964 323
0的婚姻狀態不多，不能代表任何狀態，可以把MARRIAGE為0的狀態歸到3（其他）中。
類似地EDUCATION欄位0，4，5，6都是其他的教育等級，也可以考慮都歸為一類4或者0；程式碼如下：
data1 <- data%>%
mutate（EDUCATION=ifelse（EDUCATION==0 | EDUCATION==4 | EDUCATION==5 | EDUCATION==6 ，4，EDUCATION），
MARRIAGE=ifelse（MARRIAGE==0，3，MARRIAGE））
單變數分析
從年齡分佈圖中可以看出，年齡分佈大致上呈現為正態分佈，且在25-35歲之間人數最多。
性別分佈情況
從性別看出在本案例中女性比男性多
學歷分佈情況
從圖中看出，大學及以上學歷的人佔本案例人數80%以上，說明信用卡使用者文化水平較高。
婚姻分佈情況
從婚姻分佈情況可以看出，單身漢或許更加習慣使用信用卡。
單變數分析程式碼
hist（data1$AGE，main = “Customer age distribution”，freq=FALSE）
lines（density（data1$AGE），col=‘red’）
rug（jitter（data1$AGE））
SEX <- table（data1$SEX）
label <- round（SEX/length（data1$SEX）*100，2）
label2 <- c（“Male”，“Female”）
pie（SEX，labels = paste（label2，“ ”，label，“%”，sep=‘’），main = “性別分佈情況”）
EDUCATION <- table（data1$EDUCATION）
EDUCATION <- sort（EDUCATION，decreasing = T）
label <- round（EDUCATION/length（data1$EDUCATION）*100，2）
label2 <-c（“university”，“graduate school”，“high school”，“others” ）
pie（EDUCATION，labels = paste（label2，“ ”，label，“%”，sep=‘’），main = “學歷分佈情況”）
MARRIAGE <- table（data1$MARRIAGE）
MARRIAGE <- sort（MARRIAGE，decreasing = T）
label <- round（MARRIAGE/length（data1$EDUCATION）*100，2）
label2 <-c（“single”，“married”，“others”）
pie（MARRIAGE，labels = paste（label2，“ ”，label，“%”，sep=‘’），main = “婚姻分佈情況”）
逾期情況
正常 逾期
合計 23364 6636
佔比 77。88% 22。12%
多變數分析
性別和年齡的關係圖
ggplot（data=data1， aes（x=SEX，y=AGE））+geom_boxplot（aes（fill=as。factor（SEX）））
由圖可以看出在使用該信用卡上，女性比男性更為年輕化一點。
在各個信用額度區間，男女人數分佈相差不大。
ggplot（data=data1， aes（x=EDUCATION，y= LIMIT_BAL））+geom_boxplot（aes（fill=as。factor（EDUCATION）））
從學歷和信用額度上看，除去4類其他的教育等級外，1-3的教育等級各個信用額度在普遍下降，可以說明教育程度和信用額度成正比關係。
婚姻狀態和信用額度的分佈關係
ggplot（data=data1， aes（x=MARRIAGE，y= LIMIT_BAL））+geom_boxplot（aes（fill=as。factor（MARRIAGE）））
同樣地，婚姻狀態為1的（已婚）比單身和其他狀態人的信用額度普遍要高。
建模
將資料分成訓練集和測試集；訓練集隨機抽取70%的資料，測試集為剩下30%的資料。
使用訓練集進行建模，首先是使用全部變數進行建模，得到的模型結果如下圖所示，執行程式碼為：
set。seed（1234）
training_data_size <- floor（0。7* nrow（data1））
training_data_size
creditcard_train_index <- sample（1：nrow（data1）， training_data_size）
#Training data
creditcard_train <- data1［creditcard_train_index， ］
# head（creditcard_train）
# Testing data
creditcard_test <- data1［-creditcard_train_index， ］
creditcard_model <-glm（default。payment。next。month ~ 。，
family=binomial（link=“logit”），data=creditcard_train）
summary（creditcard_model）
由圖中可以看出可以透過p值檢驗的引數有：LIMIT_BAL、SEX 、EDUCATION、MARRIAGE 、
AGE 、PAY_0 、PAY_2、PAY_3、BILL_AMT1、PAY_AMT1 、PAY_AMT2；
然後再利用這些透過p值檢驗的引數重新建立模型，得到的結果如下圖所示：
程式碼如下：
creditcard_model1 <-glm（default。payment。next。month ~ LIMIT_BAL+SEX + EDUCATION + MARRIAGE +
AGE + PAY_0 + PAY_2 +PAY_3+ BILL_AMT1 +
PAY_AMT1 + PAY_AMT2 ，
family=binomial（link=“logit”），data=creditcard_train）
summary（creditcard_model1）
模型評估
利用測試集對模型進行評估，我們設定當預測值大於0。5時，則認為是信用卡逾期，否則為正常。程式碼如下：
predicted_values <- predict（creditcard_model1， type = “response”， newdata = creditcard_test）
creditcard_test$predicted_values <- predicted_values
creditcard_test$prediction <- creditcard_test$predicted_values >0。5
creditcard_test$prediction <- as。numeric（creditcard_test$prediction）
depvar <- creditcard_test$default。payment。next。month
indepvar <- creditcard_test$prediction
t <- addmargins（table（depvar， indepvar））
得到的誤分類矩陣如下表所示：
實際 預測
0 1 合計
0 6805 187 6992
1 1531 477 2008
合計 8336 664 9000
模型的準確率=（6805+477）/9000=80。91%
模型的召回率=477/2008=23。75%
（從上面的指標中可以看出模型雖然準確率較高，但是召回率的值不大，模型的效果不是很理想）
模型Roc曲線
程式碼如下：
library（pROC）
modelroc <- roc（creditcard_test$default。payment。next。month，predicted_values）
plot（modelroc， print。auc=TRUE， auc。polygon=TRUE，legacy。axes=TRUE， grid=c（0。1， 0。2），
grid。col=c（“green”， “red”）， max。auc。polygon=TRUE，
auc。polygon。col=“skyblue”， print。thres=TRUE）
可以看出模型的AUC值為0。717，可知模型的結果不是很理想。
由於模型效果並不理想，所以需要改變模型引數或者使用其他的模型進行模擬（例如決策樹、神經網路等），看最終哪個模型更加適合這個資料集。
