基于KNN的信用卡使用意图预测模型结果分析

本文介绍了使用KNN算法构建信用卡使用意图预测模型的结果。为了评估模型的性能，我们使用了ROC曲线和分类报告等指标。

训练集结果

ROC得分: 0.878，表明模型能够很好地区分正例和负例。* 分类报告: * 准确率: 83% * 负样本召回率: 94% * 正样本召回率: 47%

详细分类报告:

| | precision | recall | f1-score | support ||-------|----------|--------|----------|---------|| 0 | 0.85 | 0.94 | 0.90 | 105018 || 1 | 0.72 | 0.47 | 0.57 | 32588 ||-------|----------|--------|----------|---------||accuracy| | | 0.83 | 137606 ||macro avg| 0.79 | 0.71 | 0.73 | 137606 ||weighted avg| 0.82 | 0.83 | 0.82 | 137606 |

混淆矩阵:

[[99070 5948] [17220 15368]]

测试集结果

ROC得分: 0.710* 分类报告: * 准确率: 77% * 负样本召回率: 90% * 正样本召回率: 33%

详细分类报告:

| | precision | recall | f1-score | support ||-------|----------|--------|----------|---------|| 0 | 0.81 | 0.90 | 0.86 | 44985 || 1 | 0.52 | 0.33 | 0.40 | 13989 ||-------|----------|--------|----------|---------||accuracy| | | 0.77 | 58974 ||macro avg| 0.66 | 0.62 | 0.63 | 58974 ||weighted avg| 0.74 | 0.77 | 0.75 | 58974 |

混淆矩阵:

[[40628 4357] [ 9350 4639]]

结论

总体而言，该模型表现良好，能够有效区分正例和负例。然而，模型在识别正例方面的性能相对较差。未来可以尝试以下方法来提高模型性能：

调整模型参数* 使用其他算法进行建模* 对数据进行特征工程，例如增加新的特征或对现有特征进行变换