Lending Club 금융 분류 프로젝트 - TIL

1. 프로젝트 개요

• Lending Club 소개
• 분석 목적
  • 대출 상환 여부 예측
  • 채무 불이행률 감소 및 손실 방지

2. 데이터 개요

• 데이터셋: accepted_2007_to_2018Q4.csv
• 데이터 크기: 약 2,260,710건, 151개 컬럼
• 데이터 유형: 실수형(113), 범주형(38)
• 주요 변수 19개 선정 이유
  • 텍스트 변수 제거
  • 중복 의미 제거
  • 미래 정보 제거
  • 결측치 과다 변수 제거
• 최종 주요 변수 리스트 (대출 금액, 기간, 이자율 등)

3. 데이터 전처리

• 결측치 처리
  • 고용 기간, 대출자 직업 컬럼 제거
• 이상치 처리
  • IQR 방식 이상치 탐지
  • 금액 데이터 로그 변환
  • 나머지 수치형 컬럼 클리핑
• 데이터 변환
  • 범주형 변수 매핑 및 원-핫 인코딩

4. EDA (Exploratory Data Analysis)

• 대출 상태 분포 (불균형 확인)
• 대출 기간, 금액, 월 상환금 분포 분석
• 주택 소유 형태, 대출 목적 분포 분석
• FICO 점수, 이자율, 대출 시기 분포
• 변수 간 상관관계 분석
  • 대출 금액과 월 상환금 높은 상관관계(0.98)
• 다중공선성 제거
  • 이자율만 유지, 대출 등급 제외
  • 직업, 세부 등급 변수 제거
• 최종 모델링용 14개 독립 변수 + 1개 종속 변수 확정

5. 모델링

• 평가 지표 선정
  • Recall(0), F1-Score, ROC-AUC
• Sampling 전략 비교
  • No Sampling
  • Under-Sampling (최종 선택)
  • Over-Sampling (SMOTE)
  • 클래스 가중치 조정
• 모델 비교
  • Logistic Regression
  • Random Forest
  • XGBoost (최종 선택)
  • CatBoost
  • LightGBM
• 성능 요약
  • Recall(0) 68%
  • F1-score 43%
  • ROC-AUC 0.71

6. SHAP 해석

• 주요 영향 변수
  • 이자율, 대출 기간, FICO 신용 점수, DTI
• 주요 패턴
  • 이자율 높을수록 상환 실패 위험 증가
  • 대출 기간 길수록 상환 실패 위험 증가
  • FICO 점수 높을수록 상환 성공 가능성 증가

7. 결론 및 제안

• 대출 심사 강화
  • FICO 점수 680 이하 추가 심사
  • 고이자 + 장기 대출 고객 리스크 관리
• 장기 대출 승인 기준 강화
  • 신용 점수, 소득 안정성 평가
• 상환 예측 모델 실전 적용
  • 대출 승인/거절 지원
  • 사후 리스크 모니터링 및 관리 자동화