credit <- read.table("man.data")
根据对数据集的命名和查看,可以看出数据集包含了多个变量,如checkingstatus1、duration、history等,这些变量代表了不同的个人和贷款信息。数据集的前几行展示了每个变量的取值情况,以及最后一列是目标变量"Default",它表示了客户是否违约。这些信息对于理解数据集的结构和内容非常重要。在进一步的分析中,这些变量将被用于建立模型,以预测客户是否会违约。
germalt <- factor(germanault)
gemadit[sapply(germt, is.numeric)] <- lapply(gerdit[sapply(germanit, is.numeric)], scale)
summary(gerdit.subset)
根据对数据进行描述性分析的结果,可以看出各个变量的分布情况。例如,duration.V1(借款周期)、amount.V1(借款金额)、installment.V1(分期付款)等变量的最小值、最大值、中位数和平均值等统计信息。通过这些统计信息,可以初步了解数据的范围和分布情况,为后续建模和分析提供基础。例如,可以看出借款周期和借款金额的方差较大,而分期付款的方差较小,这些信息对于理解数据的特点和规律具有重要意义。
将数据分区,70%为训练集,30%为测试集,建立knn模型,然后对比模型的准确度
set.seed(111)
test <-sample(1:nrow(germ.subset),nrow(germubset)*0.2)
然后我们分别选取,不同的k作为knn模型的参数,得到模型的结果之后,对比它们的准确度,从而选出最优的参数k。
knn.1 <- k train.def, k=1)
it, train.def, k=5)
kndef, k=20)
然后分别计算不同参数下的准确度:
## test.def
## knn.1 0 1
## 0 54 11
## 1 21 14
## [1] 0.535
## test.def
## knn.5 0 1
## 0 62 13
## 1 13 12
## [1] 0.545
## test.def
## knn.20 0 1
## 0 69 13
## 1 6 12
## [1] 0.605
从不同的近邻数的结果来看,我们可以发现当参数为20的时候,模型的准确率最高为0.605。
因此我们可以认为最优的knn参数是20。
扩大参数的范围,使参数从2到30变化,并分别计算不同参数下的准确度,从而找到最优的参数。
acc=numeric(0)
for(k in 2:30){
plot(acc,type="b",col="blue")
#查看最优k
which.max(acc)+1
## [1] 2
因此,最优的k为2。
plot(train.germancredit[,c("amount","duration")],
图中四种颜色的点分别表示以下四个种类的用户:
图中的圆形和三角形分别代表没有信贷的用户和有信贷的用户。实心点和空心点,分别代表着预测的数据和实际的数。从散点图的结果来看空心点和实心点的覆盖重合度较高,说明模型的预测点和实际点的符合程度较好。同时可以看到不同的客户,信用等级的分类出现了不同的分布情况。三角形代表信用较好的客户,他们的借款周期一般较短,借款金额也较少。而圆形的点代表没有信贷的用户,他们的借款周期较长,借款金额较大,存在信贷危机。