个人住房贷款违约预测数据集-tasnimniger
数据来源：互联网公开数据
标签：贷款违约, 住房贷款, 风险评估, 金融, 信用评分, 贷款申请, 数据分析, 机器学习
数据概述：
本数据集包含5960条近期住房贷款的基线信息和贷款表现数据。目标变量“BAD”是一个二元变量，指示申请人是否最终违约或严重拖欠。违约情况发生在1189个案例中（占比20%）。数据集包含12个输入变量，用于描述每个贷款申请人的特征。
字段解释：
BAD：贷款是否违约，1表示违约，0表示未违约。
LOAN：贷款金额。
MORTDUE：现有抵押贷款的欠款额。
VALUE：房产的当前价值。
REASON：贷款申请的原因，HomeImp代表房屋改善，DebtCon代表债务整合（即通过新贷款偿还其他负债和消费者债务）。
JOB：贷款申请人的工作类型，例如经理、自雇等。
YOJ：目前工作的年限。
DEROG：主要负面报告的数量（表明严重拖欠或逾期付款）。
DELINQ：拖欠信用额度的数量（当借款人未能在到期日后30到60天内支付最低还款额时，信用额度变为拖欠）。
CLAGE：最长信用额度的使用月数。
NINQ：近期信用查询的数量。
CLNO：现有信用额度的数量。
DEBTINC：债务收入比（所有月度债务支付额除以总月收入）。
数据用途概述：
该数据集可用于贷款违约风险预测、信用评分模型构建、贷款申请评估、金融风险管理等多种场景。金融机构可以利用此数据开发更精准的风险评估模型；研究人员可以探索影响贷款违约的关键因素；数据分析师可以进行特征工程和模型优化，提高预测准确性。此外，该数据集也适用于教育和培训，帮助学习者理解贷款违约的内在机制和影响因素。
