逻辑回归 - 我的博客

本项目：贷款违约预测系统

你将训练一个AI风控模型，让它学会判断客户是否会违约还款。AI不是预测具体金额，而是做出是/否的二分类判断——这就是逻辑回归的核心能力。

违约：低收入+低信用按时还款：高收入+高信用 AI输出：违约概率 → 决策

漏判违约（假阴性）

损失全部贷款本金

例：贷出50万，客户跑路，银行亏50万

误判好人（假阳性）

损失利息收入

例：拒了一个好客户，银行少赚几万利息

知识图谱 — 点击探索每个概念

0/16

AI风控实验室 — 见证AI如何画出风险边界

等待训练

违约风险评估

按时还款—

违约—

—

训练控制台

模型参数

w1 (月收入)—

w2 (信用评分)—

偏置 b—

决策边界—

新客户信息

月收入: 5千元

信用评分: 600

回归 vs 分类

线性回归

预测具体数值

损失2.3万元

逻辑回归

预测类别标签

违约(35%)

Sigmoid实验室 — AI如何把评分变成违约概率

综合评分 z 0.0

z 极小

安全→0%违约

z = 0

50%违约概率

z 极大

危险→100%违约

实时计算

σ(z) = 1 / (1 + e^-z)

σ(0.0) = 0.500

按时还款50.0%

违约50.0%

阈值0.5 → 不确定

代价与阈值

贷款场景中，漏判违约的代价远大于误判好人。所以银行会把阈值从0.5降到0.3——违约概率超过30%就拒贷，宁可错杀不可放过。

阈值0.5：平衡精确率，适合普通场景

阈值0.3：更保守，宁可拒贷也不冒风险

为什么是S型？

Sigmoid把任意评分压缩到0~1之间。评分很高时概率接近100%（几乎确定违约），评分很低时接近0%（几乎确定安全）。中间过渡平滑——从"安全"到"危险"不是突然跳变，而是渐变的。这符合真实风控规律：收入3千和4千的风险差距，远大于1万和2万的差距。

代码逐行解析 — 点击查看详解

loan_default.py

代码详解

← 点击左侧代码行查看解释

风控与机器学习术语

点击卡片翻转查看释义，点击喇叭听发音