信用卡使用意图预测：LightGBM模型效果评估

本文使用LightGBM模型对信用卡使用意图进行了预测，并对模型效果进行了评估。

模型评估结果

• 训练集 ROC分数: 0.7966853918170658
• 测试集 ROC分数: 0.7871967441542317

训练集分类报告

| | precision | recall | f1-score | support | |-----------|-----------|-----------|----------|---------| | 0 | 0.81 | 0.96 | 0.88 | 105018 | | 1 | 0.68 | 0.29 | 0.40 | 32588 | | accuracy | | | 0.80 | 137606 | | macro avg | 0.75 | 0.62 | 0.64 | 137606 | | weighted avg | 0.78 | 0.80 | 0.77 | 137606 |

测试集分类报告

| | precision | recall | f1-score | support | |-----------|-----------|-----------|----------|---------| | 0 | 0.81 | 0.95 | 0.88 | 44985 | | 1 | 0.65 | 0.28 | 0.39 | 13989 | | accuracy | | | 0.79 | 58974 | | macro avg | 0.73 | 0.61 | 0.63 | 58974 | | weighted avg | 0.77 | 0.79 | 0.76 | 58974 |

模型分析

该结果表明，使用LightGBM模型对信用卡使用意图进行预测的准确性较高，训练集和测试集的ROC分数分别为0.796和0.787，表明该模型可以很好地区分正例和负例。此外，该模型的分类报告也表明，模型的精度、召回率和f1得分都较高，而且在训练集和测试集上的表现相对一致，说明该模型具有较好的泛化能力。这些结果表明，该模型可以用于预测信用卡使用意图，有助于金融机构识别潜在风险，提高信用卡业务的效益和安全性。