- 赛题名称：Home Credit - Credit Risk Model Stability
- 赛题任务：预测客户是否可能拖欠贷款
- 赛题类型：数据挖掘
- 赛题链接
：
：赛题背景
1997年成立的Home Credit是一家国际性的消费金融服务提供商，专注于为几乎没有信用记录的人提供负责任的贷款服务。传统的信用评估方法对于那些几乎没有信用记录的人可能不够适用。缺乏信用记录可能意味着年龄较小或更倾向于使用现金支付，这使得他们在传统数据方面缺乏足够的信息。缺乏传统数据的情况下，很可能会导致这些人被拒绝贷款申请。因此，数据科学有望帮助更好地预测借款人的偿还能力，从而使那些最需要贷款支持的人群能够更容易地获得贷款。
现实世界中客户的行为不断变化，因此每个评分卡都必须定期更新，这需要时间。评分卡在未来的稳定性至关重要，因为性能突然下降意味着贷款平均会发放给更差的客户。然而，贷款提供商无法在贷款到期日可观察到之前就发现潜在的问题。鉴于重新开发、验证和实施评分卡所需的时间，稳定性是非常可取的。模型稳定性与性能之间存在一种权衡关系，在部署之前必须达到平衡。
Home Credit通过与Kaggle等合作伙伴的比赛，旨在吸引数据科学家和机器学习专家的参与，以开发更准确、更稳定的评分卡模型，从而提高贷款申请的接受率，并改善那些因缺乏信用记录而被拒绝贷款的人群的生活。
赛题任务
比赛的任务是预测哪些客户更有可能违约贷款。评估将偏向那些随着时间稳定的解决方案。
参与者的参与可能会为消费金融服务提供商提供一种更可靠、更持久的方式来评估潜在客户的违约风险。
评价指标
评价指标是基于 Gini 稳定性度量的。对于每个周数（WEEK_NUM），预测结果会计算一个 Gini 分数。
其中，A 表示实际值的累积分布函数，C 表示模型预测值的累积分布函数。
接下来，通过对每周的 Gini 分数进行线性回归拟合，得到一个形如 a \cdot x + b 的线性回归模型。从回归模型中提取出 falling_rate，计算方式为 $\min (0, a)$。这一指标用于惩罚预测能力下降的模型。
最终的评价指标是：
换句话说，评价指标由预测结果的 Gini 均值、falling_rate 的最小值乘以 88.0、以及残差的标准差组成。
提交结果
对于测试集中的每个案例（case_id），您需要预测目标分数的概率。文件应包含一个标题，并具有以下格式：
case_id,score
57543,0.1
57544,0.9
57545,0.5
etc.