该项目致力于分析贷款违约率与贷款数据集特征变量间的关联性。 此外，构建了一个模型以...

简介：
该项目致力于识别贷款违约率与贷款数据集所包含的特征变量之间存在的关联性。 其目标是构建模型，以准确预测客户是否可能未能按时偿还贷款。 为了预测响应变量“loan_default”，采用了两种回归/分类算法，即Logistic回归和决策树。 经过分析，发现某些变量显著影响客户拖欠贷款的可能性。 银行利率是影响客户贷款违约率的关键因素，数据显示，利率低于9.75%的贷款从未出现违约情况，而利率高于或等于14%的所有贷款均未发生违约。 基于这些观察结果，有必要考虑降低银行利率或积极鼓励客户选择低利率的贷款方案，从而有效规避不必要的违约风险。 此外，研究还表明，具有破产历史的客户比没有破产记录的客户在违约方面具有更大的倾向性，即使影响程度较小。 因此，银行在发放贷款前必须对每个申请人的背景进行全面的调查评估，以避免此类情况的发生。 值得注意的是，贷款违约率也受到贷款期限的影响：拥有5年期贷款的客户的违约率是拥有3年期贷款客户的两倍以上。 鉴于这些因素的影响，银行应积极鼓励申请人选择3年期的贷款方案。