Applicazioni pratiche di machine learning/Approvazione carte di credito

Caricamento librerie

 library(dplyr)
 library(caret)
 library(h2o)

Parte 1 : Dati

Una banca per decidere se emettere una carta di credito ad un cliente può valutare l'entità del rischio utilizzando un algoritmo di machine learning . I datasets credit_record.csv e application_record.csv scaricabili da qui : https://www.kaggle.com/rikdifos/credit-card-approval-prediction possono essere utilizzati per prevedere se un candidato è un cliente "buono" o "cattivo" al fine di ricevere la carta di credito.

I dati relativi al cliente sono contenuti in application_record.csv :

• ID: numero identificativo cliente
• CODE_GENDER: Sesso
• FLAG_OWN_CAR: Ha una macchina
• FLAG_OWN_REALTY: Ha proprietà
• CNT_CHILDREN: Numero di bambini
• AMT_INCOME_TOTAL: Reddito annuo
• NAME_INCOME_TYPE: Tipo di reddito
• NAME_EDUCATION_TYPE: Livello di istruzione
• NAME_FAMILY_STATUS: Stato civile
• NAME_HOUSING_TYPE: Stile di vita
• DAYS_BIRTH: Numero di giorni indietro fino al compleanno (0), -1 significa ieri
• DAYS_EMPLOYED: Numero di giorni indietro fino alla data di inizio del rapporto di lavoro .Giorno corrente = 0. Se il numero è positivo, indica la persona attualmente disoccupata viceversa se negativo indica che la persona è occupata.
• FLAG_MOBIL: Ha un telefono cellulare
• FLAG_WORK_PHONE: Ha un proprio telefono a lavoro
• FLAG_PHONE: Ha un telefono fisso
• FLAG_EMAIL: Ha un'e-mail
• OCCUPATION_TYPE: Tipo di lavoro
• CNT_FAM_MEMBERS: Dimensione della famiglia

Il dataset credit_record.csv contiene dati relativi a prestiti e crediti fatti al cliente:

• ID: numero identificativo cliente
• MONTHS_BALANCE: Numero di mesi all'indietro rispetto al mese corrente che è 0 , -1 è il mese precedente e così via ...
• STATUS:
  • 0: da 1-29 giorni in ritardo nel pagamento
  • 1: da 30-59 giorni in ritardo nel pagamento
  • 2: da 60-89 giorni in ritardo nel pagamento
  • 3: da 90-119 giorni in ritardo nel pagamento
  • 4: da 120-149 giorni in ritardo nel pagamento
  • 5: Crediti scaduti o inesigibili, cancellazioni per più di 150 giorni
  • C: pagato quel mese
  • X: Nessun prestito per il mese

Caricamento dati::

credit_record <- read.csv("credit_record.csv")
application_record <- read.csv("application_record.csv")

#Eliminazione records duplicati:
application_record <- unique(application_record, by="ID")

Si stabilisce che chi non paga un credito da più di 60 giorni non è un buon cliente e non merita la carta di credito , per cui (target=1). Invece chi è in ritardo nel pagamento da meno di 60 giorni è un buon cliente e merita la carta di credito (target=0):

# Si crea una nuova variabile target e la si aggiunge al dataset credit_record :

n<-nrow(credit_record)
target <- rep(NA,n)

target[which(credit_record$STATUS=="2")]<- 1
target[which(credit_record$STATUS=="3")]<- 1
target[which(credit_record$STATUS=="4")]<- 1
target[which(credit_record$STATUS=="5")]<- 1
target[which(credit_record$STATUS=="1")]<- 0
target[which(credit_record$STATUS=="0")]<- 0
target[which(credit_record$STATUS=="C")]<- 0
target[which(credit_record$STATUS=="X")]<- 0

credit_record <- cbind(credit_record,target)

Si uniscono i due datasets in un unico dataset df:

df <- merge(application_record,credit_record, by.x = "ID")
df$target <- as.factor(df$target)

Non ci sono valori mancanti nel dataset df :

colSums(is.na(df))