统计技术的创新引发了对跨种族和性别等类别的分布影响的担忧。 从理论上讲，随着统计技术的进步，分布结果取决于函数形式的变化如何与可观察特征的跨类别分布相互作用。 使用美国抵押贷款的详细管理数据，我们将传统 logit 和更复杂的机器学习违约预测模型的预测嵌入到一个简单的均衡信用模型中。 机器学习模型总体上略微增加了信贷供应，但增加了组间和组内的比率差异； 影响主要来自揭示默认值和可观察值之间结构关系的灵活性，而不是来自排除特征的三角测量。 我们预测黑人和西班牙裔借款人从新技术中获益的可能性要小得多。

kaggle-give me some credit 完整训练数据，避免google注册下载。亲测可用，大家放心下载

kaggle 上面的 tmdb 数据，5000 个电影数据，提供开发使用，_merge 为将 credits 里面的 cast 演员信息合并到了 movies 文件中生成的合并文件

tmdb_5000_credits.csv tmdb_5000_movies.csv

UCI Statlog (German Credit Data) 原始数据集

credit-card-regex, 匹配信用卡号码的正则表达式 credit-card-regex 匹配信用卡号码的正则表达式安装$ npm install --save credit-card-regex用法const creditCardRegex = requ

互联网金融LeningClub信贷数据分析项目实践 转载请注明作者和出处： Github代码获取： Python版本： Python3.6 运行环境： Win10 + Anaconda + jupyter Notebook + Sublime text3 1. 项目简介 采用了Lending Club 信用贷款违约数据是美国网络贷款平台 LendingClub 在2007-2015年间的信用贷款情况数据，主要包括贷款状态和还款信息。附加属性包括：信用评分、地址、邮编、所在州等，累计75个属性（列），890000笔 贷款（行）。 贷款违约预测模型，使用了Numpy，Pandas，Sklearn科学计算包完成数据清洗，构建特征工程，以及完成预约模型的训练，数据可视化采用了Matplotlib及Seaborn等可视化包。 2. 信贷数据分析过程 接下来，我们将利用给定的借贷数据，做一次较为完整的

https://www.kaggle.com/c/loan-default-prediction

Credit Scoring and its application，信用评分及其应用，第二版，

Guidelines_for_the_Accreditation_of_Personal_Identity_Verification_Card_Issuers(NIST_SP_800-79-1) 数据安全与治理 漏洞挖掘 攻防实训与靶场 渗透测试 身份与访问管理