数据背景数据为天猫双十一女性美妆的数据集，围绕产品及其销量和评论撰写。数据具有7个特征，可以从多个维度解析文本。由于是真实的商业数据，所以做了匿名处理，数据集中对店名的引用被处理为产品的品牌名以保护店家隐私。字段说明数据包括27599行和7个特征变量。每一行对应一个产品的销售情况，包括以下变量:update_time 统计时间id产品编号title产品名称price交易价格sale_count销量

Cluster 0: 新客户或低活跃度客户，需要通过促销活动等手段提高其消费频率和金额。Cluster 1: 高频消费者或忠诚客户，是企业的核心客户群体，需要提供优质服务和个性化营销策略来保持其忠诚度。Cluster 2: 高价值但低活跃度客户，需要通过定向营销等手段重新激活其消费行为。

本文旨在利用机器学习中的LightGBM模型构建信用风险评估模型，预测贷款申请人的违约概率，并区分中高低风险客户，从而优化贷款审批决策。研究基于Prosper公开贷款数据集，包含81个特征，涵盖贷款基本信息、借款人信息、信用历史与评分等类别。通过数据预处理、探索性分析和模型构建，研究发现借款人信用评分、信用卡使用频率、收入水平、信用评级及客户身份等因素与违约率显著相关。模型评估结果显示，该模型在准