100万的信用卡用户还款或逾期情况记录，40多万用户基本信息
根据以往还款记录和用户信息，预测（新）用户逾期情况，作为信用卡审批的参考
见代码文件
将各特征分箱（分类较少的特征不需要）后，计算特征的信息值（IV），了解特征的预测能力
对各特征的分布（根据预测特征划分）可视化展示，观测特征取值与预测特征的关系
特征处理后，对数据进行过采样，保证数据平衡
将数据划分为训练集和测试集
利用精度、混淆矩阵和F1得分对比评估LogisticRegression、SVC（linear核与rbf核）、DecisionTreeClassifier、RandomForestClassifier、LGBMClassifier、XGBClassifier和Keras自定义神经网络。其中XGBClassifier表现最佳，测试集精度96.75%，F1得分0.9674。
根据IV值分析，大多数特征几乎没有预测能力，少数特征有弱的预测能力
根据模型导出的特征重要性分析，不同模型的前3重要特征大不相同，但前10重要特征非常接近
没有与预测结果高度相关的特征，预测结果由多种特征共同决定
2个线性模型表现较差，原因是线性模型要求特征分箱后woe具有单调性，而实际分箱时较难保证各特征都符合条件
非线性模型在测试集的真、假集合中都有非常高的预测精度（>95%）
综上，可根据以往还款记录和用户信息，对信用卡审批流程进行建模评估